لقد شهد التعليم الإلكتروني تحوّلاً كبيرًا، خاصةً خلال الأزمات مثل جائحة كوفيد-19، حيث أصبح ضرورة عالمية. وافقت اليونسكو على العديد من منصات التعليم الإلكتروني المُعتمدة كحلول سريعة، لكنها لم تُنصح كنُظُم دائمة نظرًا لمواجهة العديد من التحديات التي تؤثر على عمليات التعلم. تناولت الدراسات الحديثة هذه التحديات باستخدام تقنيات الذكاء الاصطناعي والتعلم العميق وتقنيات البلوكشين. يركز الذكاء الاصطناعي والتعلم العميق على تحسين تقييم أداء المتعلم، بينما تساعد تكنولوجيات البلوكشين والعقود الذكية في مكافحة مشكلات الشهادات المزورة، والتلاعب بالنتائج، وتتبع نشاط المتعلم. وعلى الرغم من أن كلا التقنيتين تظهران إمكانيات قوية، إلا أن قلة من الدراسات استكشفت تكاملهما داخل نظم التعلم الإلكتروني، مما دفع إلى تقديم إطار ذكي يجمع بين تكنولوجيا البلوكشين والتعلم العميق بهدف تأمين وتحسين أنظمة التعليم الإلكتروني من خلال ضمان أمن البيانات، والشفافية، والأتمتة. يقوم هذا الإطار بتخزين بيانات المتعلمين بشكل آمن على شبكة البلوكشين باستخدام نظام الملفات بين الكواكب (IPFS) لتخزين الملفات الكبيرة بشكل لامركزي، مما يضمن سلامة البيانات وسريتها عبر محافظ خاصة على شبكة إيثيريوم الخاصة. ثم تقوم نماذج التعلم العميق بتحليل هذه البيانات المؤمنة بدقة للتنبؤ بالأداء الأكاديمي. تسهل العقود الذكية إصدار الشهادات من قبل الجامعات، وتسجيلها بشكل غير قابل للتغيير على البلوكشين، بحيث يمكن للوُجهات على الشبكة الوصول إليها، مما يعزز الأتمتة والأمان والثقة بين المتعلمين والأساتذة وأرباب العمل. توفر تقنية البلوكشين تخزينًا غير قابل للتغيير، ومؤرخًا زمنيًا، وآمنًا، وشفافًا للبيانات ضمن شبكة موزعة من نظير إلى نظير دون جهة مركزية. تدعم شبكة إيثيريوم، التي تأتي في المرتبة الثانية من حيث القيمة السوقية بعد بيتكوين، العقود الذكية القابلة للبرمجة عبر آلة إيثيريوم الافتراضية (EVM) باستخدام لغة سوليديتي، مما يُمكن من تنفيذ معاملات شرطيّة وأتمتة تفوق بكثير قدرات بيتكوين. تقوم العقود الذكية بأتمتة تنفيذ بنود العقود بمجرد استيفاء الشروط المحددة، وتوثيق جميع العمليات بشكل غير قابل للتغيير على الشبكة. نظرًا لعدم ملائمة البلوكشين للملفات الكبيرة، يُستخدم حلول تخزين خارج السلسلة مثل IPFS، ستورج، وفايلكون. يُعد IPFS مميزًا على وجه الخصوص لنشر وتشفير الملفات الكبيرة بشكل نظير إلى نظر، وخلق هاشات مؤرشفة بمحتوى البيانات للتحقق من سلامتها والوصول إليها، على الرغم من أن التحكم في الوصول لا يزال تحديًا. هنا، يلعب IPFS دورًا مهمًا في تخزين البيانات الواسعة للمتعلمين بشكل آمن، مع ربطها بمعاملات البلوكشين عبر الهياش. يُعتبر التعلم العميق، وخاصة الشبكات العصبية الاصطناعية (ANNs) المستوحاة من الدماغ البشري، نمطًا من التعلم يتكوّن من عدة طبقات—طبقة الإدخال، وطبقات مخفية، وطبقة الإخراج—تعلم عبر الانتشار الأمامي، وحساب الأخطاء، والتعلم العكسي على مدى عدة دورات (إيبوك). تعزز الشبكات العصبية العميقة (DNNs) ذات الطبقات المخفية المتعددة دقة التوقعات. يُستخدم في هذا الدراسة نماذج التعلم العميق هذه لمعالجة بيانات المتعلمين المخزنة عبر البلوكشين وIPFS، مما يُمكن من التنبؤ الدقيق بالأداء. استُخدمت دراسات سابقة متعددة التعلم العميق لتحليل النتائج التعليمية، مثل التنبؤ بمعدلات تسرب الطلاب في الدورات المفتوحة على الإنترنت (MOOCs) باستخدام الشبكات العصبونية العودية والتلافيفية، محققة دقة متقدمة مقارنة بالطرق التقليدية. كما استُخدمت شبكات الذاكرة طويلة وقصيرة المدى ذات الاتجاهين للتوقع بالتسرب، ونجحت نماذج التعلم العميق في التنبؤ بأداء الطلاب في مجموعات بيانات صغيرة وغير متوازنة بدقة عالية. يعمل الإطار المقترح على ثلاث مراحل: 1.

**تخزين بيانات المتعلمين على البلوكشين:** تُشفر بيانات المتعلمين المستقاة من مجموعة بيانات "تحليلات التعلم بالجامعة المفتوحة" (32, 593 سجلًا يتضمن بيانات الديموغرافيا والتفاعلات مع بيئة التعلم الافتراضية) وتُخزن على نظام IPFS، الذي يُولد هاش تشفير للمعلومات. يُخزن هذا الهاش على شبكة إيثيريوم الخاصة باستخدام عقود ذكية، مما يُتيح وصولًا لامركزيًا وغير قابل للتغيير. يتم تسجيل العقد على الشبكة بواسطة مُشاركين مثل إدارة الجامعة، الأساتذة، المتعلمين، والضيوف من أرباب العمل، عبر محافظ تحتوي على مفاتيح خاصة وعامة. 2. **التنبؤ بالأداء باستخدام التعلم العميق:** تُسترجع البيانات المشفرة عبر IPFS وتُمرر لمرحلة تجهيز البيانات، التي تتضمن اختيار الميزات، واستبدال القيم المفقودة (بواسطة النمط والثوابت)، وترميز البيانات التصنيفية، وتطبيع البيانات عبر MinMaxScaler، وتقليل الأبعاد باستخدام تحليل المكونات الرئيسية (PCA). يُقسم مجموع البيانات (90% تدريب، 10% اختبار) ثم يُدرب نموذج شبكة عصبية عميقة يتكون من طبقة إدخال (10 خلايا عصبية)، وخمس طبقات مخفية (كل منها بـ500 خلية، وتفعيل ReLU)، وطبقة إخراج بأربعة خلايا تمثل الحالات التالية: النجاح، الرسوب، الانسحاب، والتفوق، باستخدام تفعيل softmax وخسارة تصنيف متفرق (sparse categorical cross-entropy). يُطبق هذا النموذج بواسطة بايثون، وKeras، وScikit-learn، ويحقق دقة عالية (~91. 29%) وخسارة منخفضة (~0. 18)، متفوقًا على دراسات سابقة على نفس البيانات. 3. **استخدام العقود الذكية:** تُطلق العقود الذكية المُطورة بواسطة Solidity على إيثيريوم لتمكين التفاعلات الآمنة بين العقد: يرفع الأساتذة الواجبات إلى IPFS، ويرسلوا هاش الملفات عبر العقود الذكية للمتعلمين؛ يقدّم المتعلمون الواجبات عبر العقود الذكية؛ تصدر الجامعات الشهادات وتُخزن بشكل غير قابل للتغيير على البلوكشين؛ ويتمكن أرباب العمل (الضيوف) من الوصول إلى شهادات وأداء المتعلمين بعد موافقة الجامعة. تضمن هذه العمليات الشفافية، والأمان، والأتمتة. تضمنت عملية التنفيذ: - **هيكلية البلوكشين:** تم تطويرها باستخدام بايثون، وFlask، وPostman لإنشاء الكتل، والتحقق من صحة السلسلة، وإضافة المعاملات. يتم تسجيل العقد بشكل لا مركزي عبر MyEtherWallet (MEW)، الذي يوفر إدارة المحافظ والمفاتيح والعناوين. - **دمج البلوكشين مع التعلم العميق:** تُخزن البيانات المشفرة على IPFS مع هاشاتها المأمنة على شبكة إيثيريوم بواسطة العقود الذكية. يُستخدم نموذج التعلم العميق للتنبؤ بأداء المتعلمين من البيانات المؤمنة. وتُدار المعاملات عبر العقود الذكية، التي تغطي توزيع الواجبات، وتقديمها، وإصدار الشهادات، والوصول إلى البيانات. اختُبرت الوظائف، وتم التحقق من التسجيل، والوصول إلى المحافظ، وتخزين والتحقق من الهاش، وإصدار واسترجاع الشهادات، وتفاعل الواجبات، وصحة المعاملات، وسلامة الملفات على الشبكة. وأكدت نتائج الاختبار سلامة البيانات، وعدم إمكانية التلاعب بها، وسلاسة عمليات التفاعل عبر العقود الذكية. يوضح هذا الإطار أن دمج تقنية البلوكشين مع التعلم العميق يمكن أن يُنتج نظام تعليم إلكتروني آمن، وشفاف، وذكي، ودقيق التنبؤ، مع إدارة بيانات قوية، متفوقًا على الدراسات السابقة من حيث الفعالية. كما يُعالج هذا النهج تحديات أمن البيانات، والتحقق من هوية المتعلمين، والأتمتة في العمليات الأكاديمية، مُؤسسًا لنموذج مستقبلي لمؤسسات تعليمية ذكية.