E-Learning hat eine bedeutende Transformation durchlaufen, die besonders während Krisen wie der COVID-19-Pandemie deutlich wurde, als es weltweit unverzichtbar wurde. UNESCO autorisierte verschiedene etablierte E-Learning-Plattformen als schnelle Lösungen, doch diese wurden aufgrund mehrerer Herausforderungen, die Lernprozesse beeinträchtigen, nicht als langfristige Lösungen empfohlen. Neuere Studien haben diese Herausforderungen mithilfe von Künstlicher Intelligenz (KI), Deep Learning und Blockchain-Technologien addressiert. Während sich KI und Deep Learning auf die Verbesserung der Bewertung der Lernendenleistung konzentrieren, helfen Blockchain und Smart Contracts, Probleme wie gefälschte Zertifikate, Manipulationen von Ergebnissen und die Verfolgung von Lernaktivitäten zu bekämpfen. Obwohl beide Technologien großes Potenzial zeigen, gibt es nur wenige Studien, die ihre Integration im Bereich E-Learning untersuchen. Diese Studie schlägt daher einen smarten Rahmen vor, der Blockchain und Deep Learning kombiniert, um E-Learning-Systeme zu sichern und zu verbessern, indem er Datenintegrität, Transparenz und Automatisierung gewährleistet. Dieser Rahmen speichert Lernerdaten sicher auf der Blockchain unter Verwendung des Interplanetary File System (IPFS) für dezentrale Speicherung großer Dateien, wodurch Datenintegrität und Vertraulichkeit über Ethereum-Private-Blockchain-Wallets sichergestellt werden. Die Deep-Learning-Modelle analysieren anschließend diese gesicherten Daten, um die akademische Leistung präzise vorherzusagen. Smart Contracts erleichtern die Ausstellung von Zertifikaten durch Universitäten und dokumentieren diese unveränderlich auf der Blockchain, zugänglich für Netzwerk-Knoten, wodurch Automatisierung, Sicherheit und Vertrauen zwischen Lernenden, Professoren und Arbeitgebern verbessert werden. Blockchain bietet eine unveränderliche, zeitgestempelte, sichere und transparente Datenspeicherung innerhalb eines verteilten Peer-to-Peer-Netzwerks ohne zentrale Instanz. Ethereum, das nach Bitcoin die zweitgrößte Marktkapitalisierung aufweist, unterstützt programmierbare Smart Contracts via Ethereum Virtual Machine (EVM) und Solidity, was Bedingungen und automatisierte Transaktionen weit über die Fähigkeiten von Bitcoin hinaus ermöglicht. Smart Contracts automatisieren die Ausführung der Vertragsbedingungen, sobald vordefinierte Bedingungen erfüllt sind, und zeichnen alle Transaktionen unveränderlich auf der Blockchain auf. Da Blockchains für große Dateien ungeeignet sind, werden Off-Chain-Speicherlösungen wie IPFS, Storj und FileCoin verwendet. IPFS ist hierbei besonders hervorzuheben, da es große Dateien peer-to-peer verschlüsselt und verteilt, Content-Addressed-Hashes erstellt, die die Datenintegrität und den Zugriff verifizieren, wobei die Zugriffskontrolle eine Herausforderung bleibt. IPFS ist in diesem Zusammenhang wichtig, um umfangreiche Lernerdaten sicher zu speichern und zugleich mit Blockchain-Transaktionen über Hashes zu verbinden. Deep Learning, insbesondere künstliche neuronale Netzwerke (ANNs), die vom biologischen Gehirn inspiriert sind, bestehen aus mehreren Schichten — Eingabeschicht, verborgenen Schichten und Ausgabeschicht — die durch Vorwärtspropagation, Fehlerberechnung und Backpropagation über mehrere Epochen lernen. Tiefe neuronale Netzwerke (DNNs) mit mehreren versteckten Schichten verbessern die Vorhersagegenauigkeit erheblich. In dieser Studie werden diese Modelle verwendet, um die von Blockchain und IPFS gespeicherten Lerndaten zu verarbeiten und genaue Leistungsprognosen zu erstellen. Mehrere frühere Studien nutzten Deep Learning für Bildungsprognosen, einschließlich Vorhersagen der Dropout-Raten bei Massive Open Online Courses (MOOCs) mit rekurrenten und konvolutionalen neuronalen Netzwerken, die eine höhere Genauigkeit zeigten als traditionelle Methoden. Andere setzten bidirektionale Long-Short-Term-Memory-Netzwerke (LSTM) für Dropout-Prognosen ein, und Deep-Learning-Modelle haben erfolgreich die Leistung von Studierenden auf kleinen, unausgeglichenen Datensätzen mit hoher Präzision vorhergesagt. Der vorgeschlagene Rahmen arbeitet in drei Phasen: 1.

**Speicherung der Lernerdaten auf der Blockchain:** Die Daten des "Open University Learning Analytics"-Datensatzes (32. 593 Einträge zu Demografie und virtuellen Lerninteraktionen) werden verschlüsselt und auf IPFS gespeichert, das einen kryptografischen Hash erzeugt. Dieser Hash wird in einer privaten Ethereum-Blockchain mittels Smart Contracts gespeichert, was einen dezentralisierten, unveränderlichen Zugriff ermöglicht. Knoten – darunter Universitätsverwaltung, Professoren, Lernende und Gäste (Arbeitgeber) – registrieren sich im Blockchain-Netzwerk mit Wallets, die private und öffentliche Schlüssel enthalten. 2. **Vorhersage der Leistung mittels Deep Learning:** Die verschlüsselten Lernerdaten, die über IPFS abgerufen werden, durchlaufen eine Datenvorverarbeitung, einschließlich Merkmalsauswahl, Behandlung fehlender Werte (mit Modus und Konstanten), Kodierung kategorialer Daten, Normalisierung via MinMaxScaler und Dimensionsreduktion mit Principal Component Analysis (PCA). Das Dataset wird in Trainings- und Testdaten (90% bzw. 10%) aufgeteilt und einem Deep-Neural-Network (DNN) zugeführt, bestehend aus Eingabeschicht (10 Neuronen), fünf verborgenen Schichten (jeweils mit 500 Neuronen und ReLU-Aktivierung) sowie einer Ausgabeschicht mit vier Neuronen für Bestehen, Nichtbestehen, Abbruch und Auszeichnung, mit Softmax-Aktivierung und sparse categorical cross-entropy-Verlustfunktion. Dieses in Python, Keras und Sklearn implementierte Modell erreicht eine hohe Genauigkeit (~91, 29 %) und niedrigen Verlust (~0, 18) und übertrifft dadurch frühere Studien beim gleichen Datensatz. 3. **Nutzung von Smart Contracts:** Smart Contracts, geschrieben in Solidity und auf Ethereum deployed, ermöglichen sichere Transaktionen zwischen den Knoten: Professoren laden Aufgaben auf IPFS hoch und senden Hashes via Smart Contracts an Lernende; Lernende reichen Aufgaben durch Smart Contracts ein; Universitäten stellen Zertifikate aus, die unveränderlich auf der Blockchain gespeichert werden; und Arbeitgeber (Gäste) greifen nach Genehmigung der Universität auf die Zertifikate und Leistungsdaten der Lernenden zu. Diese Prozesse gewährleisten Transparenz, Sicherheit und Automatisierung. Die Umsetzung umfasste: - **Blockchain-Architektur:** Entwicklung mit Python, Flask und Postman zum Minen von Blöcken, Validieren der Kette und Hinzufügen von Transaktionen. Die Knoten sind dezentralisiert und registriert über MyEtherWallet (MEW), das Wallet-Management mit Schlüsseln und Adressen bereitstellt. - **Integration von Blockchain und Deep Learning:** IPFS speichert verschlüsselte Datensätze samt Hashes, die auf Ethereum via Smart Contracts gesichert werden. Das Deep-Learning-Modell prognostiziert die Leistung der Lernenden anhand der gesicherten Daten. Smart Contracts steuern Transaktionen, darunter Aufgabenverteilung, Einreichung, Zertifikatsausstellung und Datenzugriff. Testphasen bestätigen Funktionen wie Knoteneintragung und Wallet-Zugriff, Hash-Speicherung und -Verifizierung, Zertifikatsausstellung und -abruf, Interaktion bei Aufgaben, Gültigkeit der Transaktionen und Integrität der Dateien auf der Blockchain. Die Testergebnisse bestätigen die Unveränderlichkeit und Manipulationssicherheit der gespeicherten Daten sowie reibungslose Interaktionen via Smart Contracts. Der vorgeschlagene Rahmen zeigt, dass die Integration von Blockchain mit Deep Learning ein sicheres, transparentes und automatisiertes E-Learning-System mit hoher Prognosegenauigkeit und robustem Datenmanagement ermöglichen kann, das frühere Studien übertrifft. Dieser Ansatz adressiert Herausforderungen bei Datensicherheit, Lernenden-Authentifizierung und automatisierten akademischen Prozessen und bildet die Grundlage für zukünftige smarte E-Learning-Plattformen.