L’e-learning ha experimentat una transformació significativa, especialment a l’altura de crises com la pandèmia de COVID-19, quan es va tornar essencial a nivell global. La UNESCO va autoritzar diverses plataformes d’e-learning establertes com a solucions ràpides, però aquestes no es recomanaven com a solucions a llarg termini per diversos desafiaments que afecten els processos d’aprenentatge. Estudis recentment realitzats han abordat aquests desafiaments utilitzant tecnologies d’intel·ligència artificial (IA), aprenentatge profund (deep learning) i blockchain. L’IA i l’aprenentatge profund se centren a millorar l’avaluació del rendiment dels aprenents, mentre que blockchain i els contractes intel·ligents ajuden a combatre problemes com falsificacions de certificats, manipulació de resultats i el seguiment de l’activitat dels aprenents. Tot i que ambdues tecnologies demostren un gran potencial, són pocs els estudis que exploren la seva integració dins de l’e-learning, fet que ha motivat aquesta investigació per proposar un marc intel·ligent que combina blockchain i aprenentatge profund per assegurar i millorar els sistemes d’e-learning garantint la seguretat de les dades, la transparència i l’automatització. Aquest marc emmagatzema de manera segura les dades dels aprenents a la blockchain utilitzant el Sistema de Fitxers Interplanetari (IPFS) per al emmagatzematge descentralitzat de fitxers grans, assegurant la integritat i confidencialitat de les dades mitjançant wallets privades d’Ethereum. Els models d’aprenentatge profund analitzen aquestes dades segures per predir amb precisió el rendiment acadèmic. Els contractes intel·ligents faciliten l’emissió de certificats per part de les universitats, registrant-los de manera immutable a la blockchain i accessibles pels nodes de la xarxa, millorant així l’automatització, la seguretat i la confiança entre aprenents, professors i empresaris. La blockchain ofereix un emmagatzematge de dades immutable, amb horaris de temps, segur i transparent, dins d’una xarxa peer-to-peer distribuïda sense una autoritat central. Ethereum, segona en capitalització de mercat després de Bitcoin, suporta contractes intel·ligents programables mitjançant la Máquina Virtual d’Ethereum (EVM) utilitzant Solidity, permetent transaccions condicionales i automatitzades molt més enllà de les capacitats de Bitcoin. Els contractes intel·ligents automaten l’execució dels termes del contracte quan es compleixen les condicions predefinides, enregistrant totes les ejecucions de manera immutable a la blockchain. Dada la limitació de les blockchain per al emmagatzematge de fitxers grans, s’utilitzen solucions de emmagatzematge fora de la cadena com IPFS, Storj i FileCoin. IPFS destaca per encriptar i distribuir grans fitxers peer-to-peer, creant hash amb adreça de contingut que verifiquen la integritat i l’accés de les dades, encara que el control d’accés continua sent un repte. Aquí, IPFS és important per emmagatzemar de manera segura les dades extensives dels aprenents i enllaçar-les amb transaccions a la blockchain mitjançant els hash. L’aprenentatge profund, especialment les xarxes neuronals artificials (ANNs) inspirades en els cervells biològics, implica múltiples capes—de entrada, ocultes i de sortida—que aprenen mitjançant la propagació cap endavant, el càlcul de l’error i la retropropagació a través de múltiples èpoques. Les xarxes neuronals profundes (DNNs) amb múltiples capes ocultes milloren la precisió de les prediccions. Aquesta investigació utilitza aquests models per processar les dades dels aprenents emmagatzemades a través de blockchain i IPFS, permetent prediccions de rendiment molt fiables. Diversos estudis anteriors han utilitzat l’aprenentatge profund per a resultats educatius, incloent prediccions de la taxa de deserció d’estudiants en cursos en línia massius (MOOCs) mitjançant xarxes neuronals recurrents i convolucionals, amb millor precisió que els mètodes tradicionals. Altres han usat xarxes de memòria a llarg termini bidireccionals per predir la deserció, i els models d’aprenentatge profund han predir amb èxit el rendiment d’estudiants en conjunts de dades petits i desequilibrats amb alta precisió. El marc proposat opera en tres fases: 1.

**Emmagatzematge de dades dels aprenents a la blockchain:** Dades del conjunt de dades “Open University Learning Analytics” (32. 593 registres de dades demogràfiques i interaccions virtuals) són xifrades i emmagatzemades a IPFS, que genera un hash criptogràfic. Aquest hash s’emmagatzema a una blockchain privada d’Ethereum mitjançant contractes intel·ligents, permetent accés descentralitzat i immutable. Nodes —incloent administració universitària, professors, aprenents i convidats (treballadors)— s’inscriuen a la xarxa blockchain amb wallets que contenen claus i adreces privades i públiques. 2. **Predicció de rendiment basada en aprenentatge profund:** Les dades del aprenent que es recuperen via IPFS passen per un preprocessing que inclou selecció de característiques, reemplaçament de valors missing (mitjançant la moda i constants), codificació de dades categòriques, normalització amb MinMaxScaler i reducció de dimensionalitat amb PCA. El conjunt de dades es divideix en un 90% per a entrenament i un 10% per a prova, i s’introdueix en una xarxa neuronal profunda que inclou una capa d’entrada (10 neurones), cinc capes ocultes (cada una amb 500 neurones, activació ReLU) i una capa de sortida amb quatre neurones que representen els estats d’aprovat, suspès, retirada i distinció, amb activació softmax i pèrdua de classificació categòrica dispersa. Aquest model, implementat en Python, Keras i Sklearn, aconsegueix una alta precisió (~91, 29%) i una baixa pèrdua (~0, 18), millorant els resultats anteriors amb el mateix dataset. 3. **Utilització de contractes intel·ligents:** Contractes creats amb Solidity a Ethereum permeten interaccions segures entre nodes: professors pujen les tasques a IPFS, enviant els hashes a través de contractes intel·ligents als estudiants; aquests enviados lliuren les tasques mitjançant els mateixos contractes; les universitats emeten els certificats, que són immutables a la blockchain; i els empresaris (convidats) poden accedir als certificats i dades de rendiment dels estudiants amb aprovació de la universitat. Tots aquests processos asseguren transparència, seguretat i automatització. El desplegament inclou: - **Arquitectura de blockchain:** Desenvolupada amb Python, Flask i Postman per minar blocs, validar la cadena i afegir transaccions. Els nodes, decentralitzats, es registren a través de MyEtherWallet (MEW), que ofereix gestió de wallets amb claus i adreces. - **Integració de blockchain i aprenentatge profund:** IPFS emmagatzema els conjunts de dades xifrats amb els seus hashes, que són assegurats a la blockchain d’Ethereum amb contractes intel·ligents. El model d’aprenentatge profund predirà el rendiment dels aprenents a partir de dades segures. Els contractes intel·ligents gestionen transaccions com distribució de tasques, enviament, emissió de certificats i accés a dades. Les proves validen funcions com el registre de nodes, l’accés a wallets, l’emmagatzematge i verificació dels hashes, l’emissió i recuperació de certificats, les interaccions amb tasques, la validesa de transaccions i la integritat dels fitxers a la blockchain. Els resultats de les proves confirmen la immutabilitat i la resistència a la manipulació de les dades emmagatzemades i la fluïdesa de les interaccions mitjançant contractes intel·ligents. Aquest marc proposat demostra que la integració de blockchain amb aprenentatge profund pot crear un sistema d’e-learning segur, transparent i automatitzat, amb alta precisió en prediccions i una gestió de dades robusta, superant els estudis anteriors en eficiència. Aquesta metodologia abordarà els desafiaments de seguretat de dades, verificació dels aprenents i processos acadèmics automatitzats, i estableix una base per a futures plataformes d’e-learning intel·ligents.