La educación en línea ha experimentado una transformación significativa, especialmente destacada durante crisis como la pandemia de COVID-19, cuando se volvió esencial a nivel mundial. UNESCO autorizó diversas plataformas establecidas de educación en línea como soluciones rápidas, pero no se recomendó su uso a largo plazo debido a varios desafíos que afectan los procesos de aprendizaje. Estudios recientes han abordado estos desafíos utilizando inteligencia artificial (IA), aprendizaje profundo y tecnologías de blockchain. La IA y el aprendizaje profundo se centran en mejorar la evaluación del rendimiento del estudiante, mientras que blockchain y los contratos inteligentes ayudan a combatir problemas como certificados falsificados, manipulación de resultados y seguimiento de actividades de los aprendices. Aunque ambas tecnologías muestran un gran potencial, pocos estudios exploran su integración en la educación en línea, lo que llevó a este estudio a proponer un marco inteligente que combina blockchain y aprendizaje profundo para asegurar y mejorar los sistemas de e-learning, garantizando seguridad de datos, transparencia y automatización. Este marco almacena de manera segura los datos de los estudiantes en blockchain mediante el Sistema de Archivos Interplanetario (IPFS) para el almacenamiento descentralizado de archivos grandes, asegurando la integridad y confidencialidad de los datos a través de wallets privados en Ethereum. Los modelos de aprendizaje profundo analizan posteriormente estos datos seguros para predecir con precisión el rendimiento académico. Los contratos inteligentes facilitan la emisión de certificados por parte de las universidades, registrándolos de manera inmutable en la blockchain accesible por los nodos de la red, mejorando así la automatización, seguridad y confianza entre estudiantes, profesores y empleadores. Blockchain proporciona un almacenamiento de datos inmutable, con marcas de tiempo, seguro y transparente, dentro de una red distribuida punto a punto sin necesidad de una autoridad central. Ethereum, en segundo lugar en capitalización de mercado después de Bitcoin, soporta contratos inteligentes programables mediante la Máquina Virtual de Ethereum (EVM) usando Solidity, habilitando transacciones condicionales y automáticas mucho más allá de las capacidades de Bitcoin. Los contratos inteligentes automatizan la ejecución de los términos del contrato una vez que se cumplen las condiciones predefinidas, registrando todas las ejecuciones de forma inmutable en la blockchain. Debido a que las blockchains no son adecuadas para archivos grandes, se utilizan soluciones de almacenamiento fuera de cadena como IPFS, Storj y FileCoin. IPFS es especialmente notable por encriptar y distribuir archivos grandes de forma peer-to-peer, creando hashes con direcciones de contenido que verifican la integridad y el acceso a los datos, aunque el control de acceso sigue siendo un reto. IPFS es fundamental para almacenar de manera segura los datos extensos de los estudiantes y vincularlos a las transacciones en blockchain mediante hashes. El aprendizaje profundo, especialmente las redes neuronales artificiales (ANNs) inspiradas en cerebros biológicos, involucra múltiples capas—de entrada, ocultas y de salida—que aprenden mediante propagación hacia adelante, cálculo de errores y retropropagación en múltiples epochs. Las redes neuronales profundas (DNNs), con varias capas ocultas, mejoran la precisión de las predicciones. Este estudio emplea estos modelos para procesar los datos de los estudiantes almacenados a través de blockchain y IPFS, permitiendo predicciones precisas sobre su rendimiento. Varios estudios previos han utilizado aprendizaje profundo para resultados educativos, incluyendo predicciones de tasas de abandono en Cursos Masivos en Línea Abiertos (MOOCs) usando redes neuronales recurrentes y convolucionales, con mayor precisión que métodos tradicionales. Otros emplearon redes bidireccionales de memoria a largo plazo (LSTM) para predicciones de abandono, y modelos de aprendizaje profundo han logrado predecir con éxito el desempeño de los estudiantes en conjuntos de datos pequeños e desequilibrados, alcanzando altas tasas de acierto. El marco propuesto funciona en tres fases: 1.

**Almacenamiento de Datos de los Estudiantes en Blockchain:** Los datos del conjunto "Open University Learning Analytics" (32, 593 registros de demografía e interacciones en entornos virtuales) son encriptados y almacenados en IPFS, que genera un hash criptográfico. Este hash se guarda en una blockchain privada de Ethereum usando contratos inteligentes, permitiendo un acceso descentralizado e inmutable. Los nodos—incluyendo administración universitaria, profesores, estudiantes y empleadores—se registran en la red blockchain mediante wallets que contienen claves privadas y públicas. 2. **Predicción del Rendimiento mediante Aprendizaje Profundo:** Los datos encriptados recuperados mediante IPFS se someten a preprocesamiento: selección de características, reemplazo de valores faltantes (usando modo y constantes), codificación de datos categóricos, normalización con MinMaxScaler y reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA). El conjunto de datos se divide (90% entrenamiento, 10% prueba) e ingresa a una red neuronal profunda con una capa de entrada (10 neuronas), cinco capas ocultas (cada una con 500 neuronas y función de activación ReLU), y una capa de salida con cuatro neuronas que representan los estados de aprobado, reprobado, retiro y distinción, usando softmax y pérdida de entropía cruzada escasa. Este modelo, implementado en Python, Keras y Sklearn, logra una alta precisión (~91. 29%) y baja pérdida (~0. 18), superando estudios anteriores en el mismo conjunto de datos. 3. **Empleo de Contratos Inteligentes:** Los contratos inteligentes desplegados en Ethereum con Solidity permiten interacciones seguras entre nodos: los profesores suben tareas a IPFS y envían los hashes mediante contratos inteligentes a los estudiantes; estos entregan las tareas a través de contratos inteligentes; las universidades emiten certificados almacenados de forma inmutable en la blockchain; y los empleadores (invitados) acceden a los certificados y datos de rendimiento de los estudiantes tras la aprobación de la universidad. Estos procesos garantizan transparencia, seguridad y automatización. La implementación incluyó: - **Arquitectura de Blockchain:** Desarrollada con Python, Flask y Postman para minar bloques, validar la cadena y agregar transacciones. Los nodos son descentralizados y se registran mediante MyEtherWallet (MEW), que ofrece gestión de wallets con claves y direcciones. - **Integración de Blockchain y Aprendizaje Profundo:** IPFS almacena conjuntos de datos encriptados con sus hashes asegurados en blockchain Ethereum mediante contratos inteligentes. El modelo de aprendizaje profundo predice el rendimiento del estudiante a partir de datos seguros. Los contratos inteligentes gestionan transacciones, incluyendo distribución de tareas, entregas, emisión de certificados y acceso a datos. Las fases de prueba validaron funciones como el registro de nodos y acceso a wallets, almacenamiento y verificación de hashes, emisión y recuperación de certificados, interacciones con tareas, validez de transacciones y la integridad de archivos en la blockchain. Los resultados confirmaron la inmutabilidad y resistencia a manipulaciones de los datos almacenados, así como la correcta interacción mediante contratos inteligentes. El marco propuesto demuestra que la integración de blockchain y aprendizaje profundo puede generar un sistema de e-learning seguro, transparente y automatizado, con alta precisión en predicciones y manejo robusto de datos, superando estudios previos en efectividad. Este enfoque responde a desafíos de seguridad de datos, verificación de estudiantes y procesos académicos automatizados, sentando las bases para futuras plataformas inteligentes de educación en línea.