E-learning har gennemgået en væsentlig forvandling, især tydelig under kriser som COVID-19-pandemien, hvor det blev nødvendigt globalt. UNESCO godkendte forskellige veletablerede e-learningplatforme som hurtige løsninger, men disse blev ikke anbefalet som langsigtede fixes på grund af flere udfordringer, der påvirker læringsprocesserne. Seneste studier har taget fat på disse udfordringer med kunstig intelligens (AI), dyb læring og blockchain-teknologi. AI og dyb læring fokuserer på forbedring af evalueringsprocessen af elevpræstationer, mens blockchain og smart contracts hjælper med at bekæmpe problemer som falske certifikater, resultatmanipulation og sporing af elevaktiviteter. Selvom begge teknologier viser stort potentiale, er der få studier, der undersøger deres integration i e-learning, hvilket har motiveret dette studie til at foreslå en smart ramme, der kombinerer blockchain og dyb læring for at sikre og forbedre e-læringssystemer ved at garantere datasikkerhed, gennemsigtighed og automatisering. Denne ramme lagrer elevdata sikkert på blockchainen ved brug af Interplanetary File System (IPFS) til decentral lagring af store filer, hvilket sikrer dataintegritet og fortrolighed via Ethereum private blockchain-wallets. Dyb læringsmodeller analyserer derefter disse sikrede data for præcist at kunne forudsige akademisk præstation. Smart contracts muliggør udstedelse af certifikater af universiteter, hvor disse registreres uforanderligt på blockchainen og er tilgængelige for netværksknudepunkter, hvilket øger automatisering, sikkerhed og tillid blandt elever, lærere og arbejdsgivere. Blockchain giver uforanderlig, tidsstemplet, sikker og transparent datalagring i et distribueret peer-to-peer-netværk uden en central myndighed. Ethereum, næst største målt efter markedsværdi til Bitcoin, understøtter programmable smart contracts via Ethereum Virtual Machine (EVM) med Solidity, hvilket muliggør betingede og automatiserede transaktioner langt ud over Bitcoins kapaciteter. Smart contracts automatiserer gennemførelsen af kontraktvilkår, når forudbestemte betingelser er opfyldt, og registrerer alle gennemførte handlinger uforanderligt på blockchainen. Da blockchains ikke egner sig til store filer, bruges off-chain lagringsløsninger som IPFS, Storj og FileCoin. IPFS er særlig bemærkelsesværdig for kryptering og peer-to-peer distribution af store filer, hvilket skaber indhold-adresserede hashes, der verificerer dataintegritet og adgang, selvom adgangskontrol stadig er en udfordring. IPFS er vigtig her til sikkert at lagre omfattende elevdata, mens det linker til blockchain-transaktioner via hashes. Dyb læring, især kunstige neurale netværk (ANN), inspireret af biologiske hjerner, består af flere lag—input-, skjulte- og outputlag—der lærer gennem forward propagation, fejlberegning og backpropagation over flere epoker. Dyb neurale netværk (DNN) med flere skjulte lag forbedrer forudsigelsespræcisionen. Dette studie anvender disse modeller til at behandle elevdata lagret via blockchain og IPFS, hvilket muliggør præcise prædiktioner af præstationer. Flere tidligere studier har brugt dyb læring til at forudsige uddannelsesresultater, herunder dropout-rater i Massive Open Online Courses (MOOCs) med rekursive og konvolutionelle neurale netværk, hvor nøjagtigheden blev forbedret i forhold til traditionelle metoder.

Andre har anvendt bidirectionelle long short-term memory-netværk til dropout-forudsigelser, og dyb læring har med succes forudsagt elevpræstationer i små, ubalancerede datasæt med høj nøjagtighed. Den foreslåede ramme opererer i tre faser: 1. **Lagring af elevdata på blockchain:** Elevdata fra “Open University Learning Analytics”-datasættet (32. 593 poster med demografi og virtuelle læringsinteraktioner) krypteres og lagres på IPFS, hvilket genererer en kryptografisk hash. Denne hash gemmes på en privat Ethereum blockchain via smart contracts, hvilket muliggør decentral, uforanderlig adgang. Knudepunkter – herunder universitetets administration, lærere, elever og gæster (arbejdsgivere) – registrerer sig på blockchain-netværket med wallets indeholdende private og offentlige nøgler. 2. **Dyb læringsbaseret prædiktionsmodel:** Den krypterede elevdata, hentet via IPFS, gennemgår preprocessing med featureudvælgelse, erstatning af manglende værdier (med mode og konstanter), kodning af kategoriske data, normalisering via MinMaxScaler og reduktion af dimensioner gennem Principal Component Analysis (PCA). Datasættet deles (90% træning, 10% test) og indføres i et dybt neuralt netværk bestående af et inputlag (10 neuroner), fem skjulte lag (hver med 500 neuroner og ReLU-aktivering) og et outputlag med fire neuroner (repræsenterende bestå, ikke-bestå, framelding, og skelne). Modellen, implementeret i Python, Keras og Sklearn, opnår høj nøjagtighed (~91, 29%) og lav tab (~0, 18), hvilket overgår tidligere studier på samme datasæt. 3. **Brug af smart contracts:** Smart contracts, udlagt via Solidity på Ethereum, muliggør sikre interaktioner mellem noder: Professorer uploader opgaver til IPFS og sender filhashes via smart contracts til elever; elever indsende opgaver gennem smart contracts; universiteter udsteder certifikater, der registreres uforanderligt på blockchainen; og arbejdsgivere (gæster) får adgang til elevcertifikater og præstationsdata med universitetets godkendelse. Disse processer sikrer gennemsigtighed, sikkerhed og automatisering. Implementeringen omfattede: - **Blockchain-arkitektur:** Udviklet med Python, Flask og Postman til minedrift, validering af kæden og tilføjelse af transaktioner. Knudepunkterne er decentraliserede og registreres via MyEtherWallet (MEW), som tilbyder wallet-håndtering med nøgler og adresser. - **Integration af blockchain og dyb læring:** IPFS lagrer krypterede datasæt med deres hashes sikret på Ethereum blockchain via smart contracts. Dyb læringsmodellen forudser elevpræstationer ud fra de sikrede data, mens smart contracts håndterer transaktioner såsom distribution af opgaver, aflevering, certifikatudstedelse og datatilgang. Testfaserne bekræfter funktioner som knudepunktsregistrering, wallet-adgang, hash-lagring og verifikation, certifikatudstedelse og adgang, opgaveinteraktioner, transaktionsgæld og filintegritet på blockchainen. Resultaterne viser, at lagret data er uforanderlig og modstandsdygtig over for manipulation, og smart contracts fungerer problemfrit. Denne ramme viser, at integration af blockchain med dyb læring kan skabe et sikkert, transparent og automatiseret e-læringssystem med høj prædiktionsnøjagtighed og effektiv datastyring, hvilket overgår tidligere studiers resultater. Denne tilgang håndterer udfordringer med datasikkerhed, elevverifikation og automatisering af akademiske processer og danner grundlaget for fremtidige intelligente e-læringsplatforme.