这篇文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：
主要作者及研究机构
本研究由Muhammad Alshurideh、Barween Al Kurdi、Said A. Salloum、Ibrahim Arpaci和Mostafa Al-Emran共同完成。他们分别来自阿联酋沙迦大学管理学院、约旦大学商学院、安曼阿拉伯大学、土耳其托卡特加齐奥斯曼帕夏大学以及越南胡志明市孙德胜大学。该研究发表于2020年10月1日的《Interactive Learning Environments》期刊，DOI为10.1080⁄10494820.2020.1826982。
学术背景
本研究的主要科学领域是移动学习（Mobile Learning, M-learning）系统的实际使用预测。尽管已有大量关于移动学习接受度的研究，但很少有研究从社会影响（Social Influence）、期望确认（Expectation-Confirmation）和满意度（Satisfaction）的角度探讨移动学习系统的实际使用。此外，以往的技术采纳文献多采用结构方程模型（Structural Equation Modeling, SEM）技术分析结构模型。为了弥补这些不足，本研究通过扩展技术接受模型（Technology Acceptance Model, TAM）和期望确认模型（Expectation-Confirmation Model, ECM），并结合社会影响，预测移动学习系统的实际使用。研究采用偏最小二乘结构方程模型（Partial Least Squares-Structural Equation Modeling, PLS-SEM）和机器学习算法的比较方法，旨在为信息系统（Information Systems, IS）文献和移动学习领域提供新的贡献。
研究流程
研究分为以下几个主要步骤：
1. 研究模型与假设开发
研究基于TAM和ECM的整合，提出一个理论模型，探讨社会影响对感知易用性（Perceived Ease of Use, PEoU）和感知有用性（Perceived Usefulness, PU）的影响，以及期望确认对PU和满意度的影响。研究还假设PEoU、PU和满意度会共同影响持续使用意图（Continuous Intention, CI），进而影响移动学习系统的实际使用（Actual Use, AU）。
2. 数据收集
研究对象为阿联酋迪拜英国大学和富查伊拉大学的学生，共收集了448份有效问卷。参与者通过自填问卷的方式提供数据，问卷包括人口统计信息和与模型相关因素的测量指标。
3. 数据分析
研究采用两种数据分析技术：PLS-SEM和机器学习算法。PLS-SEM用于验证理论模型，而机器学习算法（如J48决策树、贝叶斯网络等）用于预测因变量。研究还进行了共同方法偏差（Common Method Bias, CMB）测试，确保数据无偏差。
4. 结果分析
通过PLS-SEM和机器学习算法的分析，研究验证了所有假设。例如，社会影响显著正向影响PEoU和PU，期望确认显著正向影响PU和满意度，PEoU、PU和满意度显著正向影响CI，CI显著正向影响AU。机器学习算法的结果显示，J48分类器在大多数情况下表现出色，特别是在预测PEoU和PU时。
主要结果
1. 社会影响对PEoU和PU的影响
社会影响显著正向影响PEoU（β=0.460）和PU（β=0.175），表明学生对他人的积极评价和报告的感知会影响他们对移动学习系统的易用性和有用性的看法。
2. 期望确认对PU和满意度的影响
期望确认显著正向影响PU（β=0.578）和满意度（β=0.458），表明学生对移动学习系统的期望确认程度越高，他们对其有用性和满意度也越高。
3. PEoU、PU和满意度对CI的影响
PEoU（β=0.363）、PU（β=0.477）和满意度（β=0.396）均显著正向影响CI，表明这些因素是学生持续使用移动学习系统的重要驱动力。
4. CI对AU的影响
CI显著正向影响AU（β=0.852），表明学生的持续使用意图直接决定了他们实际使用移动学习系统的频率。
结论与意义
本研究的理论贡献在于：
1. 通过整合TAM和ECM，探索了社会影响在移动学习实际使用中的作用，为ECM和TAM提供了新的视角。
2. 填补了关于移动学习系统持续使用和实际使用之间关系的研究空白。
3. 强调了社会影响、期望确认和满意度在移动学习采纳中的重要性。
实践意义包括：
1. 教育者和开发者应确保移动学习系统的内容对学生有用，以维持其持续使用。
2. 社会影响在提高移动学习系统的易用性和有用性方面具有重要作用，特别是在集体主义文化背景下。
3. 移动学习系统的设计应注重用户体验，减少学生使用系统的努力。
研究亮点
1. 采用PLS-SEM和机器学习算法的比较分析方法，为信息系统和移动学习领域提供了新的研究范式。
2. J48分类器在预测因变量时表现出色，表明机器学习算法在移动学习研究中的应用潜力。
3. 研究填补了移动学习系统实际使用预测的研究空白，为未来的研究提供了重要参考。
其他有价值的内容
研究还指出，未来研究应扩展到其他高等教育机构或国家，以增强结果的普适性。此外，建议未来研究探讨教师对移动学习系统的实际使用，以全面了解这些系统的实施情况。
以上是本研究的详细报告，希望能为相关领域的研究者提供有价值的参考。