Verkkokoulutus on kokenut huomattavan muutoksen, erityisesti kriisien kuten COVID-19-pandemian aikana, jolloin siitä tuli globaalisti välttämättömyys. UNESCO hyväksyi useita vakiintuneita verkkokoulualustoja nopeiksi ratkaisumalleiksi, mutta näitä ei suositella pitkäaikaisiksi ratkaisuiksi monien oppimisprosessiin vaikuttavien haasteiden vuoksi. Viimeaikaiset tutkimukset ovat käsitelleet näitä haasteita tekoälyn (AI), syväoppimisen ja lohkoketjuteknologioiden avulla. Tekoäly ja syväoppiminen keskittyvät oppijan suorituskyvyn arvioinnin parantamiseen, kun taas lohkoketju ja älykkäät sopimukset auttavat torjumaan ongelmia kuten väärennettyjä todistuksia, tulosten manipulointia ja oppilaan toiminnan seurantalaitteita. Vaikka molemmat teknologiat osoittavat suurta potentiaalia, niiden integraatiota verkkokoulutukseen on tutkittu vähän, mikä sai aikaan tämän tutkimuksen, jossa ehdotetaan älykästä kehystä, joka yhdistää lohkoketjun ja syväoppimisen varmistaakseen ja parANTAakseen verkkokoulutusjärjestelmiä tietoturvan, läpinäkyvyyden ja automaation kautta. Tämä kehys tallentaa oppijan tiedot turvallisesti lohkoketjuun käyttäen Interplanetary File Systemiä (IPFS) hajautettuun suurien tiedostojen tallennukseen, mikä varmistaa tietojen eheyden ja luottamuksellisuuden Ethereumin yksityisissä lohkoketjutileissä. Syväoppimismallit analysoivat tätä suojattua dataa tarkasti ennustaakseen akateemista suorituskykyä. Älykkäät sopimukset mahdollistavat yliopistojen todistusten myöntämisen, ja ne tallentuvat muuttumattomasti lohkoketjuun, johon verkon solmut pääsevät käsiksi. Tämä lisää automaatiota, turvallisuutta ja luottamusta oppijoiden, professorien ja työnantajien välillä. Lohkoketju tarjoaa muuttumattoman, aikaleimattoman, turvallisen ja läpinäkyvän tietojen tallennusmuodon hajautetussa peer-to-peer-verkossa ilman keskitettyä hallintoa. Ethereum, Bitcoinin jälkeen markkina-arvoltaan toiseksi suurin, tukee ohjelmoitavia älykkäitä sopimuksia käyttäen Solidity-ohjelmointikieltä ja Ethereum Virtual Machineä (EVM). Näiden avulla voidaan toteuttaa ehdollisia ja automatisoituja tapahtumia, paljon Bitcoinia monipuolisempia. Älykkäät sopimukset suorittavat sopimusehdot automaattisesti, kun ennalta määritellyt ehdot täyttyvät, ja tallentavat kaikki tapahtumat muuttumattomasti lohkoketjuun. Koska lohkoketjut eivät sovellu suurien tiedostojen tallentamiseen, käytetään off-chain-ratkaisuja kuten IPFS, Storj ja FileCoin. IPFS on erityisen merkittävä, koska se salakirjoittaa ja jakaa suuria tiedostoja peer-to-peer-menetelmällä, luoden sisältöön perustuvia hahmohakuja, jotka varmistavat datan eheyden ja pääsyn, vaikka pääsynvalvonta on edelleen haastavaa. Tämän tutkimuksen yhteydessä IPFS on tärkeä aaltopituuden tallennusratkaisu oppijoiden laajojen tietojen turvalliselle säilytykselle ja lohkoketjutapahtumiin linkittämiselle hashien kautta. Syväoppiminen, erityisesti biologisilta aivoilta inspiroituneet keinoverkkopohjaiset mallit (ANNs), sisältää useita kerroksia—syöttö-, piilo- ja tuloskerroksia—jotka oppivat eteenpäin propagoinnin, virheen laskemisen ja takaisinkytkennän kautta useiden epookkien aikana. Useamman piilokerroksen sisältävät syväneuverkot (DNN) parantavat ennusteiden tarkkuutta. Tässä tutkimuksessa käytetään näitä malleja oppija-datan analysointiin, joka on tallennettu lohkoketjuun ja IPFS:ään, mahdollistamaan tarkan suorituskyvyn ennustamisen. Useat aikaisemmat tutkimukset ovat käyttäneet syväoppimista opetustulosten ennustamiseen, kuten opiskelijoiden keskeyttämisriskin arvioimiseen massiivisissa avoimissa verkkokursseissa (MOOCs) käyttämällä toistuvia ja konvoluutio-neuroverkkoja, missä saavutettiin parempi tarkkuus kuin perinteisillä menetelmillä.

Toiset tutkimukset hyödynsivät kaksisuuntaisia long short-term memory -verkkoja keskeyttämisennusteisiin, ja syväoppimismallit ovat onnistuneesti ennustaneet opiskelijan suoritusta pienen ja luokitusepätasapainoisen datan joukossa korkealla tarkkuudella. Ehdotettu kehys toimii kolmessa vaiheessa: 1. **Oppijan tietojen tallentaminen lohkoketjuun:** Open University Learning Analytics -datan (32 593 tietuetta demografioista ja virtuaalisen oppimisen vuorovaikutuksista) tiedot salataan ja tallennetaan IPFS:ään, joka tuottaa kryptografisen hajautuksen. Tämä hahmo tallennetaan yksityiseen Ethereum-lohkoketjuun älykkäiden sopimusten avulla, mikä mahdollistaa hajautetun ja muuttumattoman pääsyn. Solmut—kuten yliopiston hallinto, professorit, oppijat ja vieraat (työnantajat)—rekisteröityvät verkkoon käyttäen lompakoita, jotka sisältävät yksityis- ja julkiset avaimet. 2. **Syväoppimisen avulla tapahtuva suorituskyvyn ennuste:** IPFS:stä haettu salattu oppija-data käy läpi esiprosessoinnin, johon sisältyy ominaisuuksien valinta, puuttuvien arvojen korvaaminen modilla ja vakioarvoilla, kategoristen tietojen koodaus, normalisointi MinMaxScalerilla ja ulottuvuuden vähentäminen PCA:lla. Data jaetaan (90 % harjoitteluun, 10 % testaukseen) ja syötetään syväneuverkkoon, jossa on alkusolu (10 neuronia), viisi piilokerrosta (jokaisessa 500 neuronia, ReLU-aktivaatio) ja päättävä kerros neljällä neuroneilla, jotka edustavat läpäisy-, hylkäys-, keskeytys- ja kiinnityskohtia käyttäen softmax-aktivointia ja harvojen kategoristen ristiinentunnusfunktiota. Tämä Pythonilla, Kerasilla ja Sklearnillä toteutettu malli saavuttaa korkean tarkkuuden (~91, 29 %) ja pienen virheen (~0, 18), parempana kuin aiemmat tutkimukset samasta datasta. 3. **Älykkäiden sopimusten käyttäminen:** Solidityllä Ethereumille toteutetut älykkäät sopimukset mahdollistavat turvalliset vuorovaikutukset solmujen välillä: professorit lataavat tehtäviä IPFS:ään ja lähettävät tiedostojen hajautukset oppijoille smart contractien kautta; oppijat palauttavat tehtäviä smart contractien avulla; yliopistot myöntävät todistuksia, jotka tallentuvat muuttumattomasti lohkoketjuun; ja työnantajat (vieraat) pääsevät käsiksi oppijoiden todistuksiin ja suorituskykydataan yliopiston hyväksynnän jälkeen. Nämä prosessit varmistavat läpinäkyvyyden, turvallisuuden ja automaation. Kehitystyöhön sisältyi: - **Lohkoketjuarkkitehtuuri:** Kehitetty käyttäen Pythonia, Flaskia ja Postmania, jotka hoitavat lohkojen louhinnan, ketjun validoinnin ja transaktioiden lisäämisen. Solmut ovat hajautettuja ja rekisteröityvät MyEtherWalletin (MEW) kautta, mikä tarjoaa lompakonhallinnan avaimineen ja osoitteineen. - **Lohkoketjun ja syväoppimisen integraatio:** IPFS tallentaa salattuja datajoukoja ja niiden hash-arvoja Ethereum-lohkoketjuun älykkäiden sopimusten avulla. Syväoppimismalli ennustaa oppijan suorituskykyä suojatun datan perusteella. Älykkäät sopimukset hoitavat tapahtumia, kuten tehtävien jakelua, palautusta, todistusten myöntämistä ja datan pääsyä. Testausvaiheissa varmistettiin mm. solmujen rekisteröinti ja lompakoiden käyttö, hashien tallennus ja verifiointi, todistusten myöntäminen ja hakeminen, tehtäväinteraktiot, tapahtumien oikeellisuus ja tiedostojen eheys lohkoketjussa. Testitulokset vahvistavat tietojen muuttumattomuuden ja muokkaamattomuuden sekä älykkäiden sopimusten sujuvan toiminnan. Ehdotettu kehys osoittaa, että lohkoketjun ja syväoppimisen yhdistäminen voi luoda turvallisen, läpinäkyvän ja automatisoidun verkkokoulutusjärjestelmän, jolla on korkea ennustustarkkuus ja vahva tietojen hallinta, ylittäen aiemmat tutkimukset tehokkuudessaan. Tämä lähestymistapa ratkaisee tietoturvaan, oppijoiden tunnistamiseen ja automaattisiin akateemisiin prosesseihin liittyviä haasteita, ja luo perustan tuleville älykkäille verkkokoulualustoille.