DOI: https://doi.org/10.1007/s10614-025-11270-y
تاريخ النشر: 2026-01-08
المؤلف: Jorge de Andrés-Sánchez وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
يتناول هذا القسم من ورقة البحث الإمكانيات التي توفرها تقنية البلوكشين لتعزيز برامج ولاء العملاء من خلال توفير الشفافية، واللامركزية، والتشغيل البيني. تركز الدراسة على فهم قبول برامج الولاء المعتمدة على البلوكشين (BBLPs) بين السكان الرقميين في الولايات المتحدة، باستخدام نسخة موسعة من نظرية القبول واستخدام التكنولوجيا الموحدة (UTAUT)، والتي تتضمن الثقة وتستخدم تقنيات التعلم الآلي المتقدمة. تشمل الأهداف الرئيسية توليد فهم قائم على البيانات للعوامل المؤثرة في قبول BBLP وتحديد الأهمية النسبية لهذه العوامل.
تشير النتائج إلى أن نموذج الانحدار باستخدام شجرة القرار (DTR) يلتقط بفعالية التفاعلات بين المتغيرات المؤثرة على القبول، بينما يظهر نموذج الغابة العشوائية (RF) ونموذج تعزيز التدرج المتطرف (XGBoost) قدرات تنبؤية متفوقة. تكشف التحليلات أن توقع الأداء هو العامل الأكثر أهمية الذي يؤثر على النية لاستخدام BBLPs، يليه الثقة، وظروف التيسير، وتوقع الجهد. بالإضافة إلى ذلك، يؤثر التأثير الاجتماعي والخبرة السابقة مع برامج الولاء بشكل معتدل، بينما يكون للجنس تأثير ضئيل. تؤكد هذه الدراسة على قابلية تطبيق نموذج UTAUT في تحليل التقنيات الناشئة وتبرز أهمية دمج طرق التعلم الآلي لتوضيح أنماط القبول في سياق التسويق.
مقدمة
وضعت مقدمة تقنية البلوكشين في عام 2008 هذه التقنية كقوة تحويلية عبر مختلف القطاعات، تتميز باللامركزية، والثبات، والشفافية، والأمان. تمتد تطبيقاتها من إدارة سلسلة التوريد إلى الهوية الرقمية والتسويق، مع وعد خاص في تعزيز برامج الولاء (LPs) من خلال معالجة قضايا التجزئة وتفاعل المستخدمين. تركز هذه الدراسة على برامج الولاء المعتمدة على البلوكشين (BBLPs) وتحقق في العوامل المؤثرة في اعتمادها بين السكان الرقميين – الأفراد المولودين من عام 1990 فصاعدًا – الذين يظهرون ميولًا تكنولوجية مميزة مقارنة بالأجيال الأكبر.
باستخدام نظرية القبول واستخدام التكنولوجيا الموحدة (UTAUT) كإطار نظري، تهدف الدراسة إلى استكشاف النية السلوكية لاستخدام BBLPs من خلال تقنيات التعلم الآلي (ML). بشكل محدد، تسعى لتحديد العوامل الرئيسية المؤثرة في قبول BBLP وتفاعلاتها. تستخدم الدراسة نماذج الانحدار باستخدام شجرة القرار، بما في ذلك الغابة العشوائية وتعزيز التدرج المتطرف، لالتقاط العلاقات المعقدة وغير الخطية بين المتغيرات مثل توقع الأداء، وتوقع الجهد، والتأثير الاجتماعي، وظروف التيسير، والثقة، والجنس، والخبرة السابقة. تشير النتائج إلى أن توقع الأداء هو المتنبئ الأكثر أهمية للنية في الاستخدام، يليه ظروف التيسير وتوقع الجهد، مع لعب التأثير الاجتماعي والخبرة السابقة أيضًا أدوارًا. تسلط الدراسة الضوء على مزايا التعلم الآلي في التسويق السلوكي، مقدمة رؤى أعمق حول ديناميات اعتماد التكنولوجيا.
الطرق
في هذا القسم، يحدد المؤلفون الإطار المنهجي المستخدم لتحليل البيانات، مع التركيز على تقنيات التعلم الآلي لتقييم العلاقات بين المتغيرات الكامنة والنية السلوكية لاستخدام التكنولوجيا (BIBBLP). يبدأ التحليل بالإحصائيات الوصفية والتحقق من مقاييس القياس، تليها بناء درجات المتغيرات باستخدام تحليل المكونات الرئيسية. يقوم المؤلفون بنمذجة الجنس كمتغيرات ثنائية ويفحصون العلاقات بين البنى التفسيرية وBIBBLP من خلال تحليل الارتباط، مما يمهد الطريق لتحليل الوساطة لاستكشاف التأثيرات غير المباشرة بين المتغيرات، كما هو مستنير من إطار عمل UTAUT وTAM.
لتلبية أهداف البحث، يقوم المؤلفون بتنفيذ نموذج الانحدار باستخدام شجرة القرار (DTR) جنبًا إلى جنب مع نماذج الغابة العشوائية (RF) وXGBoost، مع تقييم أدائها باستخدام مقاييس مثل معامل التحديد (R²)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE). يتم إجراء عملية ضبط منهجية للمعلمات الفائقة من خلال التحقق المتكرر من صحة النموذج لتعزيز دقة النموذج. يتم تسليط الضوء على نموذج DTR لقدرته على التفسير، مما يسمح بفحص الانقسامات الرئيسية والبديلة لاختبار الفرضيات تجريبيًا. بالإضافة إلى ذلك، يتم استخدام مقياس الشرح الإضافي لشابلي (SHAP) لتقييم أهمية المتغيرات التفسيرية وتفاعلاتها، مما يوفر رؤى حول مساهماتها في نتائج النموذج. يتم تنفيذ جميع التحليلات في R، مما يضمن الصرامة المنهجية وقابلية التكرار.
النتائج
يقدم قسم النتائج النتائج المستخلصة من نموذج الانحدار باستخدام شجرة القرار (DTR) والتحليلات اللاحقة، مع التركيز على العلاقات بين المتنبئين المختلفين والنية السلوكية لاستخدام التكنولوجيا (BIBBLP). المتغير الرئيسي الذي يؤثر على الانقسامات في نموذج DTR هو سهولة الاستخدام المدركة (PE)، والتي تظهر كأهم انقسام في ثلاث عقد، بينما يساهم توقع الجهد (EE)، والثقة (TR)، والخبرة (EXP) أيضًا بشكل إيجابي في BIBBLP. تؤكد الانقسامات البديلة هذه العلاقات، حيث تشير EE وTR باستمرار إلى ارتباطات إيجابية. من الجدير بالذكر أن متغيرات الجنس (GEN) لم تؤثر بشكل كبير على النموذج، مما أدى إلى رفض الفرضية 6، بينما تظل الفرضية 7 غير حاسمة.
تكشف المقارنات الإضافية للنماذج أن الغابة العشوائية (RF) وXGBoost تتفوقان على نموذج DTR من حيث القوة التنبؤية، حيث تفسر RF حوالي 94.94% من التباين وتحقق خطأ جذر متوسط مربع أقل (RMSE) مقارنةً بكل من DTR وXGBoost. يبرز تحليل SHAP الأهمية النسبية للمتنبئين، مؤكدًا أن PE هو المتغير الأكثر تأثيرًا، يليه TR وظروف التيسير (FC). تتماشى النتائج مع إطار عمل UTAUT، مما يظهر أن القيم الأعلى لـ PE وTR وFC ترتبط بزيادة النوايا لاستخدام التكنولوجيا. بشكل عام، تؤكد النتائج على قوة النموذج المقترح القائم على UTAUT وآثاره العملية لفهم اعتماد التكنولوجيا.
المناقشة
يستعرض قسم المناقشة في الورقة تطوير وتطبيق نموذج نظرية القبول واستخدام التكنولوجيا الموحدة (UTAUT) لتقييم قبول برامج الولاء المعتمدة على البلوكشين (BBLPs). تركز الدراسة على النية السلوكية كمتغير ناتج رئيسي، يُعرف على أنه استعداد الفرد لاعتماد BBLPs، وهو أمر ذو صلة خاصة بالنظر في عدم نضج التكنولوجيا الحالي لتطبيقات البلوكشين. تحدد البحث أربعة متغيرات أساسية في UTAUT – توقع الأداء (PE)، توقع الجهد (EE)، التأثير الاجتماعي (SI)، وظروف التيسير (FC) – وتفحص علاقاتها بالنية السلوكية. بالإضافة إلى ذلك، يتم تضمين الجنس والخبرة الخاصة بالمهمة كمتغيرات معتدلة، مما يعكس تركيز الدراسة على سكان متجانسين من حيث الأجيال.
تسلط الورقة الضوء أيضًا على الزيادة في دمج تقنيات التعلم الآلي (ML) في أبحاث قبول التكنولوجيا، مشيرة إلى دقتها التنبؤية المتفوقة مقارنة بالطرق الإحصائية التقليدية. يتم مناقشة نماذج ML المختلفة، بما في ذلك أشجار القرار وآلات الدعم النقطية، لقدرتها على التقاط الاعتماديات السلوكية المعقدة. تشير الفرضيات التي تم صياغتها في الدراسة إلى أن PE وEE وSI وFC تؤثر بشكل إيجابي على النية لاستخدام BBLPs، بينما يُفترض أيضًا أن الثقة في التكنولوجيا هي عامل مهم. تدعم التحليلات التجريبية، المستندة إلى استبيان لمستهلكين أمريكيين تتراوح أعمارهم بين 18 و34 عامًا، هذه الفرضيات، مما يشير إلى وجود علاقة إيجابية بين بنى UTAUT والنية السلوكية، إلى جانب التأثيرات المعتدلة للجنس والخبرة. تؤكد النتائج على أهمية فهم تصورات المستخدمين والعوامل السياقية التي تؤثر على اعتماد التقنيات الناشئة مثل البلوكشين في برامج الولاء.
القيود
تقدم الدراسة عدة قيود تؤثر على قابلية تعميم وموثوقية نتائجها. أولاً، كانت العينة تتكون فقط من السكان الرقميين من الولايات المتحدة، مما قد لا يعكس وجهات نظر الأجيال الأكبر أو الأفراد من خلفيات اجتماعية وثقافية متنوعة. تشير الأبحاث السابقة إلى أن الفئات العمرية الأكبر، مثل الجيل X ومواليد فترة الطفرة، تظهر أنماط قبول مميزة فيما يتعلق بالتقنيات المالية، وغالبًا ما تتأثر بعوامل مثل مخاوف الخصوصية، والثقة المؤسسية، ومستويات مختلفة من الثقافة المالية. قد تؤدي هذه الفجوة بين الأجيال إلى تشكك تجاه التقنيات الجديدة، خاصة تلك التي تتعلق بالبيانات الشخصية.
ثانيًا، تحد من طبيعة الدراسة المستعرضة القدرة على إقامة علاقات سببية أو تحليل الديناميات الزمنية بين البنى التي تم فحصها. يثير الاعتماد على مقاييس ذاتية تقارير القلق بشأن تحيز الرغبة الاجتماعية ودقة تصورات المشاركين. بالإضافة إلى ذلك، قامت الدراسة بقياس النية في الاستخدام بدلاً من سلوك الاستخدام الفعلي، مما قد يحد من قابلية تطبيق النتائج على السيناريوهات الواقعية. إن تشغيل الخبرة (EXP) من خلال مؤشر ذو عنصر واحد، على الرغم من كونه بسيطًا، لا يلتقط الجوانب النوعية مثل التفاعل أو الكفاءة المدركة، مما قد يحرف الأهمية المنسوبة إلى هذا البند. علاوة على ذلك، لم تأخذ الدراسة في الاعتبار العوامل الاجتماعية والتقنية ذات الصلة ببيئات البلوكشين، مثل آثار اللامركزية ومخاوف الخصوصية، والتي يمكن أن تؤثر على المتغيرات التقليدية للقبول. يجب أن تهدف الأبحاث المستقبلية إلى دمج هذه الأبعاد وتعزيز شفافية النموذج لتحسين فهم البنى التحتية لـ Web3 والتقنيات اللامركزية.
DOI: https://doi.org/10.1007/s10614-025-11270-y
Publication Date: 2026-01-08
Author(s): Jorge de Andrés-Sánchez et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This section of the research paper discusses the potential of blockchain technology to enhance customer loyalty programs by providing transparency, decentralization, and interoperability. The study focuses on understanding the acceptance of blockchain-based loyalty programs (BBLPs) among U.S. digital natives, utilizing an extended version of the Unified Theory of Acceptance and Use of Technology (UTAUT) framework, which incorporates trust and employs advanced machine learning techniques. The primary objectives include generating a data-driven understanding of the factors influencing BBLP acceptance and identifying the relative importance of these factors.
The findings indicate that Decision Tree Regression (DTR) effectively captures the interactions among variables influencing acceptance, while Random Forest (RF) and Extreme Gradient Boosting (XGBoost) demonstrate superior predictive capabilities. The analysis reveals that performance expectancy is the most significant factor affecting the intention to use BBLPs, followed by trust, facilitating conditions, and effort expectancy. Additionally, social influence and prior experience with loyalty programs have a moderate impact, whereas gender has a minimal effect. This research underscores the applicability of the UTAUT model in analyzing emerging technologies and emphasizes the importance of integrating machine learning methods to elucidate acceptance patterns in the context of marketing.
Introduction
The introduction of blockchain technology in 2008 has positioned it as a transformative force across various sectors, characterized by decentralization, immutability, transparency, and security. Its applications span from supply chain management to digital identity and marketing, with particular promise in enhancing loyalty programs (LPs) by addressing issues of fragmentation and user engagement. This study focuses on blockchain-based loyalty programs (BBLPs) and investigates the factors influencing their adoption among digital natives—individuals born from 1990 onwards—who exhibit distinct technological affinities compared to older generations.
Utilizing the Unified Theory of Acceptance and Use of Technology (UTAUT) as a theoretical framework, the study aims to explore the behavioral intention to use BBLPs through machine learning (ML) techniques. Specifically, it seeks to identify the key factors affecting BBLP acceptance and their interactions. The research employs decision tree regression models, including Random Forest and Extreme Gradient Boosting, to capture complex, nonlinear relationships among variables such as performance expectancy, effort expectancy, social influence, facilitating conditions, trust, gender, and prior experience. The findings indicate that performance expectancy is the most significant predictor of usage intention, followed by facilitating conditions and effort expectancy, with social influence and prior experience also playing roles. The study highlights the advantages of ML in behavioral marketing, offering deeper insights into technology adoption dynamics.
Methods
In this section, the authors outline the methodological framework employed for data analysis, focusing on machine learning techniques to assess the relationships between latent variables and behavioral intention to use technology (BIBBLP). The analysis begins with descriptive statistics and validation of measurement scales, followed by the construction of variable scores using principal component analysis. The authors model gender as binary variables and examine the relationships between explanatory constructs and BIBBLP through correlation analysis, setting the stage for mediation analysis to explore indirect effects among variables, as informed by the UTAUT and TAM frameworks.
To address research objectives, the authors implement decision tree regression (DTR) alongside random forest (RF) and XGBoost models, evaluating their performance using metrics such as the coefficient of determination (R²), root mean squared error (RMSE), and mean absolute error (MAE). A systematic hyperparameter tuning process is conducted via repeated cross-validation to enhance model accuracy. The DTR model is highlighted for its interpretability, allowing for the examination of primary and surrogate splits to empirically test hypotheses. Additionally, the Shapley Additive Explanations (SHAP) metric is utilized to assess the importance of explanatory variables and their interactions, providing insights into their contributions to the model outcomes. All analyses are executed in R, ensuring methodological rigor and reproducibility.
Results
The results section presents findings from the Decision Tree Regression (DTR) model and subsequent analyses, focusing on the relationships between various predictors and the Behavioral Intention to Use a Technology (BIBBLP). The primary variable influencing splits in the DTR model is Perceived Ease of Use (PE), which appears as the main split in three nodes, while Effort Expectancy (EE), Trust (TR), and Experience (EXP) also contribute positively to BIBBLP. Surrogate splits further validate these relationships, with EE and TR consistently indicating positive associations. Notably, Gender (GEN) variables did not significantly influence the model, leading to the rejection of Hypothesis 6, while Hypothesis 7 remains inconclusive.
Further model comparisons reveal that Random Forest (RF) and XGBoost outperform the DTR model in predictive power, with RF explaining approximately 94.94% of the variance and achieving a lower Root Mean Square Error (RMSE) compared to both DTR and XGBoost. The SHAP analysis highlights the relative importance of predictors, confirming PE as the most influential variable, followed by TR and Facilitating Conditions (FC). The findings align with the UTAUT framework, demonstrating that higher values of PE, TR, and FC correlate with increased intentions to use the technology. Overall, the results underscore the robustness of the proposed UTAUT-based model and its practical implications for understanding technology adoption.
Discussion
The discussion section of the paper outlines the development and application of a Unified Theory of Acceptance and Use of Technology (UTAUT) model to assess the acceptance of blockchain-based loyalty programs (BBLPs). The study focuses on behavioral intention as the primary outcome variable, defined as an individual’s willingness to adopt BBLPs, which is particularly relevant given the current technological immaturity of blockchain applications. The research identifies four core UTAUT variables—performance expectancy (PE), effort expectancy (EE), social influence (SI), and facilitating conditions (FC)—and examines their relationships with behavioral intention. Additionally, gender and task-specific experience are included as moderating variables, reflecting the study’s focus on a generationally homogeneous population.
The paper also highlights the increasing integration of machine learning (ML) techniques in technology acceptance research, noting their superior predictive accuracy compared to traditional statistical methods. Various ML models, including decision trees and support vector machines, are discussed for their ability to capture complex behavioral dependencies. The hypotheses formulated in the study suggest that PE, EE, SI, and FC positively influence the intention to use BBLPs, while trust in the technology is also posited as a significant factor. The empirical analysis, based on a survey of U.S. consumers aged 18 to 34, supports these hypotheses, indicating a positive relationship between the UTAUT constructs and behavioral intention, alongside the moderating effects of gender and experience. The findings underscore the importance of understanding user perceptions and the contextual factors influencing the adoption of emerging technologies like blockchain in loyalty programs.
Limitations
The study presents several limitations that impact the generalizability and robustness of its findings. Firstly, the sample consisted solely of digital natives from the United States, which may not reflect the perspectives of older generations or individuals from diverse sociocultural backgrounds. Previous research indicates that older cohorts, such as Generation X and Baby Boomers, demonstrate distinct acceptance patterns regarding financial technologies, often influenced by factors like privacy concerns, institutional trust, and varying levels of financial literacy. This generational divide may lead to skepticism towards new technologies, particularly those involving personal data.
Secondly, the cross-sectional nature of the study limits the ability to establish causal relationships or analyze temporal dynamics among the constructs examined. The reliance on self-reported measures raises concerns about social desirability bias and the accuracy of participants’ perceptions. Additionally, the study measured intention to use rather than actual usage behavior, which may restrict the applicability of the findings to real-world scenarios. The operationalization of experience (EXP) through a single-item indicator, while straightforward, does not capture qualitative aspects such as engagement or perceived proficiency, potentially skewing the importance attributed to this construct. Furthermore, the study did not account for socio-technical factors relevant to blockchain environments, such as decentralization effects and privacy concerns, which could influence traditional acceptance variables. Future research should aim to incorporate these dimensions and enhance model transparency to improve the understanding of Web3 infrastructures and decentralized technologies.