Este estudio presenta un novedoso marco de modelado de inteligencia artificial (IA) que combina algoritmos de aprendizaje automático optimizados a través de metaheurísticas con IA explicativa para capturar interacciones complejas entre las concentraciones de contaminantes, los datos meteorológicos y los indicadores socioeconómicos. Aplicado a un conjunto de datos relacionado con COVID-19 que comprende 404 variables, con concentraciones de benceno como objetivo, medidas mediante espectrometría de masas por reacción de transferencia de protones en Belgrado, Serbia, el marco demostró una sensibilidad excepcional para evaluar el impacto de los cambios ambientales y sociales complejos durante la pandemia. Se emplearon técnicas de IA explicativa, como SHAP y SAGE, para revelar la influencia de cada predictor, mientras que el agrupamiento de valores SHAP identificó configuraciones ambientales distintas que influenciaron el comportamiento del benceno. Se identificaron tres configuraciones distintas respecto a los niveles de benceno durante el inicio del estado de emergencia. La primera, que involucraba actividades locales relacionadas con el petróleo, la quema de biomasa, la fabricación química y el tráfico, condujo a una reducción del 15.7% en los niveles de benceno. La segunda, caracterizada por procesos no combustibles, química nocturna y el contexto meteorológico específico, resultó en un aumento del 51.9%. La tercera, impulsada por procesos industriales locales, contribuyó a una modesta reducción del 2.33%. El estudio subrayó el papel crítico de los entornos ambientales en la configuración del comportamiento de los contaminantes del aire, enfatizando la importancia de integrar contextos ambientales más amplios en los modelos para obtener una comprensión más completa de los contaminantes del aire y su dinámica.