Η ηλεκτρονική εκπαίδευση έχει υποστεί μια σημαντική μεταμόρφωση, η οποία αποδείχθηκε ιδιαίτερα κρίσιμη κατά τη διάρκεια κρίσεων όπως η πανδημία COVID-19, όταν έγινε απαραίτητη σε παγκόσμιο επίπεδο. Ο Οργανισμός Ηνωμένων Εθνών για την Εκπαίδευση, τον Οργανισμό UNESCO, εξουσιοδότησε διάφορες καθιερωμένες πλατφόρμες e-learning ως γρήγορες λύσεις, αλλά αυτές δεν προτείνονται ως μακροπρόθεσμες διορθώσεις λόγω αρκετών προκλήσεων που επηρεάζουν τις διαδικασίες μάθησης. Πρόσφατες μελέτες έχουν αντιμετωπίσει αυτές τις προκλήσεις χρησιμοποιώντας τεχνολογίες τεχνητής νοημοσύνης (ΑΙ), βαθιάς μάθησης και blockchain. Η τεχνητή νοημοσύνη και η βαθιά μάθηση εστιάζουν στην ενίσχυση της αξιολόγησης της απόδοσης των μαθητών, ενώ το blockchain και τα έξυπνα συμβόλαια βοηθούν στην καταπολέμηση ζητημάτων όπως πλαστά πιστοποιητικά, χειραγώγηση αποτελεσμάτων και παρακολούθηση δραστηριότητας μαθητών. Αν και και οι δύο τεχνολογίες δείχνουν ισχυρό δυναμικό, λίγες μελέτες εξερευνούν την ενσωμάτωσή τους στην εκπαίδευση, γεγονός που οδήγησε σε αυτήν τη μελέτη να προτείνει ένα έξυπνο πλαίσιο που συνδυάζει το blockchain και τη βαθιά μάθηση για την ασφάλεια και βελτίωση των συστημάτων ηλεκτρονικής εκπαίδευσης, διασφαλίζοντας την ασφάλεια δεδομένων, τη διαφάνεια και την αυτοματοποίηση. Αυτό το πλαίσιο αποθηκεύει με ασφάλεια τα δεδομένα των μαθητών στο blockchain, χρησιμοποιώντας το Interplanetary File System (IPFS) για αποκεντρωμένο αποθήκευση μεγάλων αρχείων, διασφαλίζοντας τη ακεραιότητα και το απόρρητο των δεδομένων μέσω πορτοφολιών Ethereum ιδιωτικού blockchain. Τα μοντέλα βαθιάς μάθησης αναλύουν έπειτα αυτά τα ασφαλη δεδομένα για την ακριβή πρόβλεψη της ακαδημαϊκής απόδοσης. Τα έξυπνα συμβόλαια διευκολύνουν την έκδοση πιστοποιητικών από τα πανεπιστήμια, καταγράφοντάς τα αμετάκλητα στο blockchain και καθιστώντας τα προσβάσιμα από κόμβους του δικτύου, ενισχύοντας την αυτοματοποίηση, την ασφάλεια και την εμπιστοσύνη ανάμεσα σε μαθητές, καθηγητές και εργοδότες. Το blockchain παρέχει ακατάβλητη, χρονικά σημειωμένη, ασφαλή και διαφανή αποθήκευση δεδομένων μέσα σε ένα κατανεμημένο δίκτυο peer-to-peer χωρίς κεντρική αρχή. Το Ethereum, που ακολουθεί το Bitcoin σε κεφαλαιοποίηση αγοράς, υποστηρίζει προγραμματιστικά έξυπνα συμβόλαια μέσω της Ethereum Virtual Machine (EVM) χρησιμοποιώντας Solidity, επιτρέποντας συνθετικές και αυτοματοποιημένες συναλλαγές πολύ πέρα ​​από τις δυνατότητες του Bitcoin. Τα έξυπνα συμβόλαια αυτοματοποιούν την υλοποίηση όρων συμβολαίων μόλις πληρούνται προκαθορισμένες συνθήκες, καταγράφοντας αμετάκλητα όλες τις εκτελέσεις στο blockchain. Εξαιτίας του ότι τα blockchains δεν είναι κατάλληλα για μεγάλα αρχεία, χρησιμοποιούνται λύσεις αποθήκευσης εκτός blockchain, όπως IPFS, Storj και FileCoin. Το IPFS είναι αξιοσημείωτο για την κρυπτογράφηση και διανομή μεγάλων αρχείων peer-to-peer, δημιουργώντας hashes που βασίζονται σε περιεχόμενο, οι οποίοι επαληθεύουν την ακεραιότητα και την πρόσβαση στα δεδομένα, αν και η διαχείριση πρόσβασης αποτελεί ακόμη πρόκληση. Το IPFS εδώ είναι σημαντικό για την ασφαλή αποθήκευση εκτεταμένων δεδομένων των μαθητών, ενώ συνδέεται με τις συναλλαγές στο blockchain μέσω hashes. Η βαθιά μάθηση, ιδιαίτερα τα τεχνητά νευρωνικά δίκτυα (ANNs) εμπνευσμένα από το βιολογικό εγκέφαλο, περιλαμβάνει πολλαπλά επίπεδα— εισόδου, κρυφά και εξόδου—που μαθαίνουν μέσω προώθησης, υπολογισμού σφάλματος και οπισθοδρόμησης (backpropagation) μέσα από πολλαπλές εποχές. Τα βαθιά νευρωνικά δίκτυα (DNNs) με πολλά κρυφά επίπεδα βελτιώνουν την ακρίβεια των προβλέψεων. Η παρούσα μελέτη χρησιμοποιεί αυτά τα μοντέλα για την επεξεργασία των δεδομένων των μαθητών που αποθηκεύονται μέσω blockchain και IPFS, επιτρέποντας ακριβείς προβλέψεις σχετικά με την απόδοσή τους. Προηγούμενες μελέτες χρησιμοποίησαν βαθιά μάθηση για εκπαιδευτικά αποτελέσματα, συμπεριλαμβανομένων προβλέψεων για το ποσοστό εγκατάλειψης φοιτητών σε μαζικά ανοικτά διαδικτυακά μαθήματα (MOOCs) με χρήση επαναληπτικών και συσπειρωτικών νευρωνικών δικτύων, με βελτιωμένη ακρίβεια σε σχέση με παραδοσιακές μεθόδους. Άλλες χρησιμοποίησαν δίκτυα μνήμης μακράς διάρκειας για προβλέψεις εγκατάλειψης, ενώ μοντέλα βαθιάς μάθησης έχουν επιτυχώς προβλέψει την απόδοση φοιτητών σε μικρά και ανισομερή σύνολα δεδομένων με υψηλή ακρίβεια. Το προτεινόμενο πλαίσιο λειτουργεί σε τρεις φάσεις: 1.

**Αποθήκευση Δεδομένων Μαθητών στο Blockchain:** Τα δεδομένα των μαθητών από το σύνολο δεδομένων “Open University Learning Analytics” (32. 593 εγγραφές δημογραφικών και διαδικτυακών αλληλεπιδράσεων) κρυπτογραφούνται και αποθηκεύονται στο IPFS, το οποίο δημιουργεί ένα κρυπτογραφικό hash. Αυτό το hash αποθηκεύεται σε ιδιωτικό blockchain Ethereum μέσω έξυπνων συμβολαίων, επιτρέποντας αποκεντρωμένη και αμετάκλητη πρόσβαση. Οι κόμβοι—διοίκηση πανεπιστημίου, καθηγητές, μαθητές και επισκέπτες (εργοδότες)—καταγράφονται στο δίκτυο blockchain μέσω πορτοφολιών με ιδιωτικά και δημόσια κλειδιά. 2. **Πρόβλεψη απόδοσης με Βαθιά Μάθηση:** Τα κρυπτογραφημένα δεδομένα των μαθητών που ανακτηθούν μέσω IPFS υφίστανται προεπεξεργασία, συμπεριλαμβανομένης επιλογής χαρακτηριστικών, αντικατάστασης ελλιπών τιμών (χρησιμοποιώντας το mode και σταθερές), κωδικοποίησης κατηγορικών δεδομένων, κανονικοποίησης με MinMaxScaler, και μείωσης διαστάσεων μέσω Ανάλυσης Κυρίων Συνιστωσών (PCA). Το σύνολο δεδομένων διαιρείται (90% για εκπαίδευση, 10% για δοκιμή) και τροφοδοτείται σε ένα βαθύ νευρωνικό δίκτυο με ένα επίπεδο εισόδου (10 νευρώνες), πέντε κρυφά επίπεδα (κάθε με 500 νευρώνες, ReLU ενεργοποίηση) και ένα επίπεδο εξόδου με τέσσερις νευρώνες που αντιστοιχούν σε καταστάσεις πέρασμα, αποτυχία, απόσυρση και διάκριση, με softmax ενεργοποίηση και ασύμπτωτη καταστροφική διασταύρωση. Αυτό το μοντέλο υλοποιείται σε Python, Keras και Sklearn και επιτυγχάνει υψηλή ακρίβεια (~91, 29%) και χαμηλή απώλεια (~0, 18), υπερέχοντας προηγούμενες μελέτες. 3. **Χρήση έξυπνων συμβολαίων:** Τα έξυπνα συμβόλαια που αναπτύσσονται μέσω Solidity στο Ethereum επιτρέπουν ασφαλείς αλληλεπιδράσεις μεταξύ των κόμβων: οι καθηγητές ανεβάζουν εργασίες στο IPFS και στέλνουν τα hashes μέσω έξυπνων συμβολαίων στους μαθητές, οι μαθητές υποβάλλουν εργασίες μέσω έξυπνων συμβολαίων, τα πανεπιστήμια εκδίδουν πιστοποιητικά που αποθηκεύονται αμετάκλητα στο blockchain, και οι εργοδότες (επισκέπτες) έχουν πρόσβαση σε πιστοποιητικά και δεδομένα απόδοσης μαθητών με έγκριση του πανεπιστημίου. Αυτές οι διαδικασίες διασφαλίζουν διαφάνεια, ασφάλεια και αυτοματοποίηση. Η υλοποίηση περιελάμβανε: - **Αρχιτεκτονική Blockchain:** Ανάπτυξη με Python, Flask και Postman για την εξόρυξη μπλοκ, την επικύρωση της αλυσίδας και την προσθήκη συναλλαγών. Οι κόμβοι είναι αποκεντρωμένοι και καταγράφονται μέσω MyEtherWallet (MEW), που παρέχει διαχείριση πορτοφολιών με κλειδιά και διευθύνσεις. - **Ενσωμάτωση Blockchain και Βαθιάς Μάθησης:** Το IPFS αποθηκεύει κρυπτογραφημένα σύνολα δεδομένων με τα hash τους ασφαλισμένα στο Ethereum μέσω έξυπνων συμβολαίων. Το μοντέλο βαθιάς μάθησης προβλέπει την απόδοση των μαθητών από τα ασφαλή δεδομένα. Τα έξυπνα συμβόλαια διαχειρίζονται συναλλαγές, όπως η διανομή εργασιών, η υποβολή, η έκδοση πιστοποιητικών και η πρόσβαση σε δεδομένα. Οι δοκιμές επιβεβαίωσαν λειτουργίες όπως η εγγραφή κόμβων και η πρόσβαση σε πορτοφόλια, η αποθήκευση και επαλήθευση hash, η έκδοση και η ανάκτηση πιστοποιητικών, η αλληλεπίδραση με εργασίες, η εγκυρότητα συναλλαγών και η ακεραιότητα αρχείων στο blockchain. Τα αποτελέσματα επιβεβαίωσαν την αμετάκλητη φύση και την αντοχή στη παραποίηση των δεδομένων και την ομαλή λειτουργία μέσω έξυπνων συμβολαίων. Το προτεινόμενο πλαίσιο αποδεικνύει ότι η ενσωμάτωση του blockchain με τη βαθιά μάθηση μπορεί να δημιουργήσει ένα ασφαλές, διαφανές και αυτοματοποιημένο σύστημα ηλεκτρονικής εκπαίδευσης με υψηλή ακρίβεια πρόβλεψης και ανθεκτική διαχείριση δεδομένων, ξεπερνώντας προηγούμενες μελέτες σε αποδοτικότητα. Αυτή η προσέγγιση αντιμετωπίζει προκλήσεις ασφάλειας δεδομένων, επαλήθευσης μαθητών και αυτοματοποίησης ακαδημαϊκών διαδικασιών, καθιζάνοντας μια βάση για μελλοντικές έξυπνες πλατφόρμες ηλεκτρονικής μάθησης.