E-õpe on läbinud märkimisväärse muutumise, eriti esile tõstetud kriiside ajal nagu COVID-19 pandeemia, mil see muutus globaalselt hädavajalikuks. UNESCO koostas erinevaid tuntud e-õppe platvorme kiireteks lahendusteks, kuid neid ei soovitatud pikaajalisteks ravimiteks, kuna õppimisprotsesse mõjutavad mitu väljakutset. Viimased uuringud on neid väljakutseid käsitlenud tehisintellekti (AI), süvaõppe ja plokiahela tehnoloogiate abil. AI ja süvaõpe keskenduvad õppija soorituse hindamise parandamisele, samas kui plokiahel ja nutikad lepingud aitavad võidelda selliste probleemidega nagu võltssertifikaadid, tulemuste manipuleerimine ja õppija tegevuse jälgimine. Kuigi mõlemad tehnoloogiad näitavad tugevat potentsiaali, on vaid väheseid uuringuid nende integratsioonist e-õppes, mistõttu see uuring pakub välja nutika raamistiku, mis ühendab plokiahela ja süvaõppe, et tagada e-õppe süsteemide turvalisus ja parem toimimine, tagades andmete turvalisuse, läbipaistvuse ja automatiseerimise. See raamistik salvestab õppijate andmed turvaliselt plokiahelasse, kasutades hajutatud andmefailide säilitamiseks Interplanetary File Systemi (IPFS), mis tagab andmete tervikluse ja konfidentsiaalsuse Ethereum’i privaatsete plokiahela rahakottidega. Seejärel analüüsivad süvaõppe mudelid neid turvatud andmeid, et täpselt ennustada õppeedukust. Nutikad lepingud hõlbustavad ülikoolide sertifikaatide väljastamist, salvestades need muutumatult plokiahelasse, mis on kättesaadav võrgu sõlmedele, suurendades automatiseerimist, turvalisust ja usaldust õppijate, õppejõudude ja tööandjate seas. Plokiahel pakub muutumatut, aegmärgistatud, turvalist ja läbipaistvat andmete salvestuslahendust hajustatud peer-to-peer võrgus, ilma tsentraliseeritud autoritaideta. Ethereum, mille turukapitalisatsioon on teisel kohal Bitcoini järel, toetab programmeeritavaid nutikaid lepinguid kasutades Solidity keelt Ethereum Virtuaalmasinas (EVM). Need võimaldavad tingimuslikke ja automatiseeritud tehinguid, mis ületavad rohkem kui Bitcoin’i võimed. Nutikad lepingud automaatselt täidavad eelmääratud tingimused ja salvestavad kõik tehingud muutumatult plokiahelasse. Kuna plokiahelad ei sobi suuremate failide salvestamiseks, kasutatakse väljaspool kettad salvestuslahendusi nagu IPFS, Storj ja FileCoin. IPFS on oluliseks, kuna see krüpteerib ja jagab suuri faile peer-to-peer võrgus, luues sisu-põhiseid haš-ei, mis kontrollivad andmete terviklikkust ja ligipääsu, kuigi juurdepääsukontroll on endiselt väljakutseks. IPFS-i kasutamine on siin oluline õppijate mahukate andmete turvaliseks salvestamiseks ning ühenduses plokiahelaläbirääkimistega haš-hashtagide kaudu. Süvaõpe, eriti bioloogilistest justkui närvivõrkudest (ANN-based neural networks), hõlmab mitmeid kihte — sisend-, peidetud- ja väljundkihte — ning õpib edasi-tagasi levitamise (forward propagation, error calculation ja backpropagation) meetodil läbi mitmete epidoodide. Mitmekihilised süvaõppe närvivõrgud (DNN) suurendavad prognooside täpsust. Käesolev uuring kasutab neid mudeleid õppijate andmete analüüsimiseks, mis on salvestatud plokiahelasse ja IPFS-i, võimaldades täpsemaid soorituse prognoose. Varasemad uuringud on kasutanud süvaõpet hariduslike tulemuste ennustamiseks, näiteks õppijate loobumise määra prognoosimisel Mahukas Avatud Online-Kursustel (MOOCs) kasutades korduv- ja konvolutsioonilisi närvivõrke ning saavutanud parema täpsuse kui traditsioonilised meetodid.

Teised on kasutanud kahepoolseid pika- ja lühiajali memory (LSTM) võrke loobumise ennustamiseks ning süvaõppe mudeleid, mis on edukalt ennustanud õppijate tulemuslikkust väikestes ja ebaühtlases andmekogus kõrgema täpsusega. Protsess koosneb kolmest etapist: 1. **Õppijate andmete salvestamine plokiahelasse:** "Open University Learning Analytics" andmestiku (32 593 kirje demograafia ja virtuaalse õppeinteraktsiooni kohta) andmed krüptitakse ja salvestatakse IPFS-i, mis loob krüptograafilise hašii. Seda hašijõttu hoitakse privaatsete Ethereum rahakottide kaudu ning see on kättesaadav detsentraliseeritult muutumatult plokiahelas, kasutades nutikaid lepinguid. Võrku registreerivad osapooled — ülikooli administraatorid, õppejõud, õppijad ja töötajad (kutsutud) — kasutades nende jaoks sobivaid rahakotte, mis sisaldavad privaatvõtmeid ja aadresse. 2. **Süvaõppe põhjal soorituse prognoosimine:** IPFS-ist saadud ja enne töötlust krüptitud andmed viiakse eelprotsessimisele, mis hõlmab tunnuste valikuid, puuduvate väärtuste asendamisi (kas kasutades režiimi või konstante), kategorialt muundamist, normaliseerimist MinMaxScaleriga ning Dimensionality reduction PCA-ga. Andmestik jagatakse 90%-ni treeninguks ja 10%-ni testimiseks, ning seda kasutatakse sisendina süva närvivõrgu modelile, mis koosneb sisendkihist (10 neuronit), viiest peidetud kihist (iga 500 neuronit, ReLU aktiveerimine) ning väljundkihist (4 neuronit: edukas, läbipõlemine, taasalustamine, hinne) koos softmax aktiveerimise ja hajuskatkise kategorilise ristsirge kaosega. See mudel kirjutatakse Pythoni, Keras ning Sklearn raamistiku abil ning saavutab kõrge täpsuse (~91, 29%) ja madala kaose (~0, 18), ületades varasemad uuringud sama andmestikuga. 3. **Nutikas lepingute kasutuselevõtt:** Nutikad lepingud, kasutades Solidity ja Ethereum-, võimaldavad turvalisi tehinguid: õppejõud laadivad üles ülesanded IPFS-i ja saadavad failihashid nutilepingutega õppijatele; õppijad esitavad ülesanded nutilepingutega; ülikoolid väljastavad sertifikaate, mis on muutumatult salvestatud plokiahelasse ning millele on pääs võrgusõlmedel; ning tööandjad (külalised) saavad juurdepääsu õppijate sertifikaatidele ja sooritustele pärast ülikooli nõusolekut. Kõik need protsessid tagavad läbipaistvuse, turvalisuse ja automatiseerimise. Tegemist oli järgnevate tegevustega: - **Plokiahela arhitektuur:** arendatud kasutades Pythoni, Flaski ja Postmani, et kaevandada plokke, kontrollida ahelat ja lisada tehinguid. Võrgu sõlmed registreeruvad MyEtherWalleti kaudu (MEW), mis võimaldab rahakoti haldust võtmete ja aadressidega. - **Integratsioon plokiahelaga ja süvaõpega:** IPFS salvestab krüptitud andmekogud ja nende hašid plokiahelas nutilepingute kaudu. Süvaõppe mudel ennustab õppija sooritust turvatud andmetest. Nutilepingud haldavad tehinguid, nagu ülesannete jagamine, esitamine, sertifikaatide väljastamine ja andmete kasutamine. Testimise faasid kinnitavad näiteks sõlmede registreerimise ja rahakoti ligipääsu, hašide säilitamise ja kontrolli, sertifikaatide väljastamist ja tõstutundlikku sisu ning failide terviklikkust plokiahelas. Testid kinnitavad, et salvestatud andmeid ei saa muuta ega varastada ning nutilepingutega saab sujuvalt suhelda. Kokkuvõttes näitab välja pakutud raamistiku integratsioon plokiahelaga ja süvaõppega, et luuakse turvaline, läbipaistev ja automatiseeritud e-õppe süsteem, mille prognooside täpsus on kõrge ning andmekorraldus tugev. See lahendus lahendab andmeturve, õppijate identiteedi ja automaatsete akadeemiliste protsesside väljakutseid ning sillutab teed tulevikust nutikamatele e-õppe platvormidele.