論文の概要: Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers

• arxiv url: http://arxiv.org/abs/2606.24047v1
• Date: Tue, 23 Jun 2026 01:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.726998
• Title: Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers
• Title（参考訳）: 女性性労働者における説明可能なメンタルヘルスリスク予測のためのアンサンブル特徴選択とハリスホークス最適化
• Authors: Ahnaf Atef Choudhury, Md. Parvej Hoque Palash, Shahriar Siddique Ayon, Ramkrishna Saha, Abdullah Al Mamun,
• Abstract要約: 女性性労働者(FSW)は精神疾患、特にうつ病に苦しむ。 現在の機械学習(ML)モデルは、通常、この辺境化グループに存在する高次元および複雑なリスクパターンを捉えるのに効果がない。 本稿では,ANOVAと相互情報を用いたアンサンブル特徴選択戦略と,ハリス・ホークス最適化によるロジスティック回帰を組み合わせた予測モデルを提案する。 提案されたモデルは従来の分類器よりも有効であり、精度は95.78%、F1スコアは95.77%、AUCは0.96である。
• 参考スコア（独自算出の注目度）: 0.4908879620102718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the significant mental health issues affecting female sex workers (FSWs) is mental disorders, especially depression. Exposure to violence, stigma, and economic hardship further increases their psychological risk. Current machine learning (ML) models are typically ineffective at capturing the high-dimensional and complex risk patterns that exist in this marginalized group. This paper suggests a hybrid predictive model that merges an ensemble feature selection strategy using ANOVA and mutual information and Harris Hawks optimization-tuned logistic regression and represents a new application of swarm intelligence to predict mental health in vulnerable groups. The explainable AI (XAI) methods can be used to understand the factors of trauma associated with model predictions. When applied to a group of 3,005 FSWs, it can be seen that the proposed model is more effective than traditional classifiers, with an accuracy of 95.78%, an F1 score of 95.77%, and an AUC of 0.96, and identifying post-traumatic stress, client-related violence, and occupational factors as major contributors to depression. This work bridges the gaps between conventional and ML approaches to develop an XAI tool that enables vulnerable groups to receive early assistance, evidence-based targeted psychosocial care, and health planning.
• Abstract（参考訳）: 女性性労働者(FSW)に影響を及ぼす重要なメンタルヘルス問題の1つは精神疾患、特にうつ病である。 暴力、汚職、経済的困難への曝露は、その心理的リスクをさらに高める。 現在の機械学習(ML)モデルは、通常、この辺境化グループに存在する高次元および複雑なリスクパターンを捉えるのに効果がない。 本稿では,ANOVAと相互情報を用いたアンサンブル特徴選択戦略と,ハリス・ホークス最適化によるロジスティック回帰を組み合わせたハイブリッド予測モデルを提案する。 モデル予測に関連する外傷の要因を理解するために、説明可能なAI(XAI)手法を用いることができる。 3,005個のFSW群に適用すると、提案モデルは従来の分類器よりも有効であり、95.78%、F1スコア95.77%、AUC0.96が正確であり、外傷後のストレス、クライアント関連暴力、職業的要因をうつ病の主要な要因として特定できる。 この研究は、脆弱なグループが早期援助を受けられるようにするためのXAIツールを開発するために、従来のMLアプローチとMLアプローチのギャップを埋める。

関連論文リスト

• Mental-R1: Aligning LLM Reasoning for Mental Health Assessment [41.04728145197249]
  本稿では,精神保健領域に適した強化学習フレームワークである認知相対政策最適化(CRPO)を提案する。 CRPOは、段階依存不確実性モデリングをポリシー最適化プロセスに統合することにより、グループ相対的なポリシー最適化を拡張する。 CRPOは、最高の強化学習ベースラインよりも10.4ポイントの重み付きF1スコアを平均的に向上させる。
  論文  参考訳（メタデータ） (2026-06-11T10:44:50Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media [48.56586765769052]
  ReDepressは、リラプスに焦点を当てた最初の臨床的に検証されたソーシャルメディアデータセットである。 我々の枠組みはうつ病の認知理論に基づいており、注意バイアス、解釈バイアス、記憶バイアス、反省などの構造を取り入れている。 本研究は, 実世界のテキストデータにおける心理学的理論を検証し, 早期再発検出のための認知インフォームド・コンピューティング手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-09-22T16:33:59Z)
• A Model-Mediated Stacked Ensemble Approach for Depression Prediction Among Professionals [2.2756398880750055]
  うつ病は、特に専門的な環境において、重要な精神的な健康上の問題である。 本研究では,プロの抑うつ分類の予測精度を向上させるため,重ね合わせ型アンサンブル学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T12:19:40Z)
• Machine Unlearning for Speaker-Agnostic Detection of Gender-Based Violence Condition in Speech [0.5352699766206809]
  ジェンダーベースの暴力は、女性のメンタルヘルスに深刻な影響を及ぼす公衆衛生上の問題である。 本研究は、性別による暴力被害者を音声から検出するための話者非依存的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-27T09:53:53Z)
• AI-Driven Early Mental Health Screening: Analyzing Selfies of Pregnant Women [32.514036618021244]
  うつ病や不安障害は世界中で何百万もの人に影響を与え、精神疾患の重荷に大きく貢献する。 早期スクリーニングは、精神疾患のタイムリーな同定が治療成績を大幅に改善するので、効果的な介入に不可欠である。 本研究は、顔中心の自撮りを与えられたユビキタスな抑うつ不安スクリーニングのためのAIモデルの可能性について検討する。
  論文  参考訳（メタデータ） (2024-10-07T19:34:25Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Bias Reducing Multitask Learning on Mental Health Prediction [18.32551434711739]
  メンタルヘルスの検出や予測のための機械学習モデルの開発では、研究が増加している。 本研究では,マルチタスク学習に基づくバイアス緩和手法を不安予測モデルに適用し,公平性分析を行うことを目的とする。 分析の結果、我々の不安予測ベースモデルでは、年齢、収入、民族性、そして参加者が米国で生まれたかどうかに偏りが生じていた。
  論文  参考訳（メタデータ） (2022-08-07T02:28:32Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。