E-learning prošlo zásadní proměnou, která byla zvlášť výrazná během krizí, jako je pandemie COVID-19, kdy se stalo globálně nezbytným. UNESCO schválilo různé zavedené platformy pro e-learning jako rychlá řešení, avšak tyto nebyly doporučovány jako dlouhodobá opatření kvůli několika výzvám ovlivňujícím vzdělávací procesy. Nedávné studie se těmto výzvám věnovaly za využití umělé inteligence (AI), hlubokého učení a blockchainových technologií. AI a hluboké učení se zaměřují na zlepšení hodnocení výkonu studentů, zatímco blockchain a chytré smlouvy pomáhají bojovat například proti falšování certifikátů, manipulaci s výsledky či sledování aktivity studentů. I když obě technologie ukazují výrazný potenciál, málo studií zkoumá jejich integraci do e-learningu, což vedlo k tomuto výzkumu, který navrhuje chytrý rámec spojující blockchain a hluboké učení za účelem zabezpečení a vylepšení systémů e-learningu tím, že zajišťuje bezpečnost dat, transparentnost a automatizaci. Tento rámec bezpečně uchovává údaje studentů na blockchainu pomocí Interplanetárního File System (IPFS), které umožňuje decentralizované ukládání velkých souborů, přičemž zajišťuje integritu a důvěrnost dat prostřednictvím privátních peněženek na Ethereum blockchainu. Modely hlubokého učení následně analyzují tato zabezpečená data pro přesné předpovědi akademického výkonu. Chytré smlouvy umožňují vydávání certifikátů univerzitami, které jsou neporušitelně zaznamenány na blockchainu a k dispozici síťovým uzlům, což zvyšuje automatizaci, bezpečnost a důvěru mezi studenty, vyučujícími a zaměstnavateli. Blockchain poskytuje nezměnitelné, časově označené, bezpečné a transparentní ukládání dat v distribuované síti typu peer-to-peer bez centrální autority. Ethereum, druhé po Bitcoin v tržní kapitalizaci, podporuje programovatelné chytré smlouvy prostřednictvím Ethereum Virtual Machine (EVM) s použitím jazyka Solidity, což umožňuje složité podmíněné a automatizované transakce s mnohem větší funkcionalitou než Bitcoin. Chytré smlouvy automaticky realizují podmínky smlouvy při splnění předem stanovených podmínek a zaznamenávají všechny provedené akce nezměnitelně na blockchainu. Protože blockchainy nejsou vhodné pro ukládání velkých souborů, využívají se řešení mimo řetězec (off-chain), například IPFS, Storj nebo FileCoin. IPFS je výjimečné díky zašifrování a peer-to-peer distribuci velkých souborů, vytváří obsahově adresované hashe, které ověřují integritu dat a umožňují přístup, avšak řízení přístupu je zatím výzvou. IPFS je zde klíčové pro bezpečné uloženía rozsáhlých dat studentů a jejich propojení s transakcemi na blockchainu přes hashe. Hluboké učení, zvlášť umělé neuronové sítě (ANN), je inspirováno biologickými mozky a zahrnuje více vrstev – vstupní, skryté a výstupní, které se učí přes prostý posun vpřed, výpočet chyby a zpětnou propagaci během více epoch. Hloubkové neuronové sítě (DNN) s více skrytými vrstvami zvyšují přesnost předpovědí. Tento výzkum využívá těchto modelů ke zpracování dat studentů uložených přes blockchain a IPFS, což umožňuje přesné předpovědi jejich výkonu. Některé předchozí studie využívaly hluboké učení pro odhady vzdělávacích výsledků, například pro předpovědi míry dropoutů studentů v Massive Open Online Courses (MOOCs) s využitím rekurentních a konvolučních neuronových sítí, s lepší přesností než tradiční metody. Jiné využívaly obousměrné dlouhodobé paměťové sítě (LSTM) pro odhady dropoutů a modely hlubokého učení úspěšně předpovídaly výkon studentů i na malých, nevyvážených datech s vysokou přesností. Navržený rámec má tři fáze: 1.

**Ukládání dat studentů na blockchain:** Data studentů ze souboru „Open University Learning Analytics“ (32 593 záznamů o demografických údajích a virtuálních aktivitách) jsou zašifrována a uložena na IPFS, které vygeneruje kryptografický hash. Tento hash je uložen v soukromém Ethereum blockchainu prostřednictvím chytrých smluv, čímž je umožněn decentralizovaný a nezměnitelný přístup. Uživatelé, včetně administrativy univerzity, vyučujících, studentů a hostů (zaměstnanců), se registrují na síti pomocí peněženek obsahujících soukromé a veřejné klíče. 2. **Predikce výkonu založená na hlubokém učení:** Zašifrovaná data studentů načtená přes IPFS jsou předzpracována – výběr funkcí, nahrazení chybějících hodnot (pomocí modus a konstant), kódování kategorií, normalizace pomocí MinMaxScaler a redukce rozměrnosti pomocí PCA. Data jsou rozdělena na tréninkových 90 % a testovacích 10 % a vstupují do hluboké neuronové sítě složené z vstupní vrstvy (10 neuronů), pěti skrytých vrstev (každá s 500 neurony, ReLU aktivace) a výstupní vrstvy se čtyřmi neurony – představujícími zvláštní výsledky (prospěl, neprospěl, odhlášen, s vyznamenáním) s aktivací softmax a ztrátou sparse categorical cross-entropy. Tento model, realizovaný v Pythonu, Keras a Sklearn, dosahuje vysoké přesnosti (~91, 29 %) a nízké ztráty (~0, 18), čímž překonává předchozí studie na stejném datasetu. 3. **Použití chytrých smluv:** Chytré smlouvy v Solidity na Ethereum umožňují bezpečnou komunikaci mezi uzly – vyučující nahrávají úkoly na IPFS, posílají hash souborů studentům přes smlouvy; studenti odevzdávají úkoly prostřednictvím smluv; univerzity vydávají certifikáty, které jsou neporušitelně zaznamenány na blockchainu; zaměstnavatelé (hosté) pak mají přístup ke certifikátům a výkonovým údajům studentů po schválení univerzitou. Tyto procesy zajišťují transparentnost, bezpečnost a automatizaci. Implementace zahrnovala: - **Architekturu blockchainu:** Vyvinutou pomocí Pythonu, Flasku a Postmanu pro těžení bloků, validaci řetězce a přidávání transakcí. Uživatelé se registrují přes MyEtherWallet (MEW), které poskytuje správu peněženek s klíči a adresami. - **Integraci blockchainu a hlubokého učení:** IPFS ukládá zašifrované datasety s jejich hashi zabezpečené na Ethereum prostřednictvím chytrých smluv. Model hlubokého učení předpovídá výkon studentů ze zabezpečených dat. Chytré smlouvy řídí transakce, včetně distribuce úkolů, odevzdání, vydávání certifikátů či přístupu k datům. Testování ověřilo funkčnost funkcí, jako je registrace uzlů a přístup k peněženkám, ukládání a ověřování hashů, vydávání a získávání certifikátů, interakce s úkoly, platnost transakcí a integrita souborů na blockchainu. Výsledky testů potvrdily nezměnitelnost a odolnost dat proti zásahům a plynulé fungování prostřednictvím chytrých smluv. Navržený rámec ukazuje, že integrace blockchainu s hlubokým učením může vytvořit bezpečný, transparentní a automatizovaný systém e-learningu s vysokou přesností předpovědí a robustním správou dat, čímž překonává předchozí studie v účinnosti. Tato metoda řeší výzvy v oblasti bezpečnosti dat, ověřování studentů a automatizace akademických procesů a zakládá základ pro budoucí inteligentní platformy e-learningu.