一篇题为《Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers》的论文于2026年6月23日提交至arXiv，编号为arXiv:2606.24047v1，归类为人工智能（cs.AI）与机器学习（cs.LG）。该论文由Ahnaf Atef Choudhury等共五位作者撰写，已被2026年第八届IEEE计算机与信息学研讨会（ISCI 2026）接收并将在IEEE会议论文集中发表。论文的DOI为10.48550/arXiv.2606.24047，由DataCite发放，目前仍在注册中。提交版本大小为702 KB。
研究聚焦于女性性工作者（FSWs）这一边缘化群体所面临的心理健康问题，尤其是抑郁症等精神障碍。论文指出，暴力暴露、社会污名化与经济困境会进一步加剧该群体的心理风险。然而，现有的机器学习模型通常难以有效捕捉这一边缘群体中高维且复杂的风险模式，因此作者提出了一种混合预测模型。
该模型的核心由两部分组成：其一为集成特征选择策略，结合方差分析（ANOVA）与互信息（mutual information）来筛选关键特征；其二为使用哈里斯鹰优化算法（Harris Hawks Optimization）调优的逻辑回归分类器。论文将这一方法视为群体智能在脆弱群体心理健康预测中的一项新应用。此外，研究还引入了可解释人工智能（XAI）方法，用于理解与模型预测相关的创伤因素，从而提升结果的可解释性与实际可用性。
在针对3005名女性性工作者样本的实验中，所提出的模型表现优于传统分类器，取得了95.78%的准确率、95.77%的F1分数以及0.96的AUC值。分析结果将创伤后应激、与客户相关的暴力以及职业因素识别为导致抑郁的主要贡献因素。
作者在结论中强调，这项工作弥合了传统方法与机器学习方法之间的差距，所开发的可解释AI工具有助于脆弱群体获得早期援助，并支持循证且有针对性的心理社会关怀与健康规划。