SEM-ANN（结构方程模型-人工神经网络）摘要级研究：感知有用性影响学业成长，情商与同伴关系为调节变量
《Global Knowledge, Memory and Communication》（全球知识、记忆与传播，Emerald出版）刊出的一篇摘要级研究，用两阶段SEM-ANN（结构方程模型-人工神经网络）方法，考察高等教育中AI（人工智能）与元宇宙应用经社会情感学习（SEL）要素影响学生学业与个人成长。
摘要称感知有用性显著影响学业成长，情商和同伴关系起调节作用； 但未披露样本量、数据收集方式与效果量。
研究原始来源可核对
事实与证据边界
摘要显示：研究先用SmartPLS4（偏最小二乘结构方程模型软件）做PLS-SEM（偏最小二乘结构方程模型）探索性分析，再用ANN（人工神经网络）模型考察变量间非线性交互。 结论为感知有用性显著影响学业成长； 感知有用性越高，同伴关系对个人成长的贡献越弱； 情商则增强感知有用性对个人成长的贡献。
研究将社会情感变量列为个人与学业成长的关键预测因素，并自述启示：高等教育应把情商与同伴关系置于技术采纳同等位置。 摘要未报告样本量、数据收集方式、是否干预设计及效果量。 作者为Shubhangi Verma、Shubham Singhania、Naval Garg、Varda Sardana；
机构信息来自题录元数据（印度多家管理学院与大学系所），非摘要正文。
分析判断
该研究把情商与同伴关系从预测变量改为调节变量，为AI（人工智能）教育评估提示一种分层思路：学习者的社会情感条件可能改变技术使用与成长结果的关系。 但证据仅为摘要，缺样本、测量工具与效应量，不能推断学习提升幅度或因果方向； 技术接受模型中的“感知有用性”是主观评价，不等于真实学习结果。 上述为编辑分析，非摘要结论。
后续观察信号
- 查阅论文全文以核实样本与测量工具
- 追踪同一团队或期刊后续实证研究