L’apprentissage en ligne a connu une transformation majeure, notamment mise en évidence lors de crises telles que la pandémie de COVID-19, où il est devenu indispensable à l’échelle mondiale. L’UNESCO a autorisé plusieurs plateformes d’e-learning établies comme solutions rapides, mais celles-ci n’ont pas été recommandées comme solutions à long terme en raison de plusieurs défis affectant les processus d’apprentissage. Des études récentes ont abordé ces défis en utilisant des technologies telles que l’intelligence artificielle (IA), l'apprentissage profond et la blockchain. L’IA et l’apprentissage profond se concentrent sur l’amélioration de l’évaluation des performances des apprenants, tandis que la blockchain et les contrats intelligents contribuent à lutter contre les problèmes comme les faux certificats, la manipulation des résultats et le suivi des activités des apprenants. Bien que ces deux technologies montrent un fort potentiel, peu d’études explorent leur intégration dans l’e-learning, ce qui a conduit cette étude à proposer un cadre intelligent combinant blockchain et apprentissage profond pour sécuriser et améliorer les systèmes d’apprentissage en ligne en garantissant la sécurité des données, la transparence et l’automatisation. Ce cadre stocke de manière sécurisée les données des apprenants sur la blockchain en utilisant le système de fichiers Interplanetary (IPFS) pour le stockage décentralisé de fichiers volumineux, assurant l’intégrité et la confidentialité des données via des portefeuilles Ethereum privés. Des modèles d’apprentissage profond analysent ensuite ces données sécurisées afin de prévoir avec précision la performance académique. Les contrats intelligents facilitent l’émission des certificats par les universités, en les enregistrant de façon immuable sur la blockchain accessible par les nœuds du réseau, renforçant ainsi l’automatisation, la sécurité et la confiance parmi les apprenants, les enseignants et les employeurs. La blockchain offre un stockage de données immuable, horodaté, sécurisé et transparent au sein d’un réseau peer-to-peer distribué, sans autorité centrale. Ethereum, en deuxième position en capitalisation boursière après Bitcoin, supporte des contrats intelligents programmables via la machine virtuelle Ethereum (EVM) utilisant Solidity, permettant des transactions conditionnelles et automatisées bien plus avancées que celles de Bitcoin. Les contrats intelligents automatisent l’exécution des termes du contrat une fois les conditions préalablement définies remplies, enregistrant toutes ces exécutions de manière immuable sur la blockchain. Étant donné que les blockchains ne sont pas adaptées au stockage de gros fichiers, des solutions de stockage hors-chaîne telles qu’IPFS, Storj et FileCoin sont utilisées. IPFS se distingue en cryptant et distribuant des fichiers volumineux en peer-to-peer, créant des hash d’adresses de contenu qui vérifient l’intégrité et l’accès aux données, bien que le contrôle d’accès reste un défi. IPFS joue ici un rôle crucial pour stocker en toute sécurité les données étendues des apprenants tout en les liant aux transactions blockchain via ces hash. L’apprentissage profond, en particulier les réseaux de neurones artificiels (ANN) inspirés du cerveau biologique, comporte plusieurs couches — couche d’entrée, couches cachées et couche de sortie — qui apprennent par propagation avant, calcul d’erreur et rétropropagation à travers plusieurs époques. Les réseaux neuronaux profonds (DNN) à plusieurs couches cachées améliorent la précision des prédictions. Cette étude emploie ces modèles pour traiter les données des apprenants stockées via blockchain et IPFS, permettant ainsi des prédictions de performance exactes. Plusieurs études antérieures ont utilisé l’apprentissage profond pour les résultats éducatifs, notamment pour prédire les taux d’abandon dans les MOOCs en utilisant des réseaux de neurones récurrents et convolutionnels, avec une précision améliorée par rapport aux méthodes traditionnelles. D’autres ont utilisé des réseaux à mémoire à long terme bidirectionnels pour prédire l’abandon, et des modèles d’apprentissage profond ont réussi à prévoir la performance des étudiants dans des petits jeux de données déséquilibrés avec une grande précision. Le cadre proposé fonctionne en trois phases : 1.

**Stockage des données des apprenants sur la blockchain :** Les données des apprenants issues du dataset « Open University Learning Analytics » (32 593 enregistrements comprenant démographie et interactions de formation virtuelle) sont chiffrées et stockées sur IPFS, qui génère un hash cryptographique. Ce hash est sauvegardé sur une blockchain Ethereum privée via des contrats intelligents, permettant un accès décentralisé et immuable. Les nœuds — comprenant l’administration universitaire, les enseignants, les apprenants et les invités (employeurs) — s’enregistrent sur le réseau blockchain via des portefeuilles contenant clés privées et publiques. 2. **Prédiction des performances par apprentissage profond :** Les données chiffrées récupérées via IPFS subissent un prétraitement comprenant la sélection de caractéristiques, le remplacement des valeurs manquantes (avec mode et constantes), l’encodage des données catégoriques, la normalisation via MinMaxScaler et la réduction dimensionnelle par Analyse en Composantes Principales (PCA). Le jeu de données est divisé (90 % pour l’entraînement, 10 % pour le test) et introduit dans un réseau neuronal profond comprenant une couche d’entrée (10 neurones), cinq couches cachées (chacune avec 500 neurones, activation ReLU), et une couche de sortie avec quatre neurones correspondant aux statuts « réussite », « échec », « retrait » et « distinction » avec une activation softmax et une fonction de perte d’entropie croisée catégorielle sparse. Ce modèle, implémenté en Python, Keras et Sklearn, atteint une précision élevée (~91, 29 %) et une faible perte (~0, 18), surpassant les études précédentes sur le même dataset. 3. **Utilisation des contrats intelligents :** Les contrats déployés en Solidity sur Ethereum permettent des interactions sécurisées entre nœuds : les enseignants téléchargent les devoirs sur IPFS, en envoyant leurs hashes via des contrats intelligents aux apprenants ; ceux-ci soumettent leurs travaux via contrats intelligents ; les universités délivrent des certificats stockés de manière immuable sur la blockchain ; et les employeurs (invités) accèdent aux certificats et données de performance des apprenants après approbation de l’université. Ces processus garantissent transparence, sécurité et automatisation. La mise en œuvre comprenait : - **Architecture blockchain :** Développée en Python, Flask et Postman pour la génération de blocs, la validation de la chaîne, et l’ajout de transactions. Les nœuds sont décentralisés et s’inscrivent via MyEtherWallet (MEW), qui assure la gestion des portefeuilles avec clés et adresses. - **Intégration blockchain et apprentissage profond :** IPFS stocke les datasets chiffrés avec leurs hash, sécurisés sur la blockchain Ethereum via des contrats intelligents. Le modèle d’apprentissage profond prédit la performance des apprenants à partir de ces données sécurisées. Les contrats intelligents gèrent les transactions, notamment la distribution des devoirs, la soumission, l’émission de certificats et l’accès aux données. Les phases de test valident diverses fonctions telles que l’enregistrement des nœuds, l’accès aux portefeuilles, le stockage et la vérification des hash, l’émission et la récupération de certificats, les interactions liées aux devoirs, la validité des transactions et l’intégrité des fichiers sur la blockchain. Les résultats confirment l’immuabilité et la résistance à la falsification des données stockées et une interaction fluide via contrats intelligents. Ce cadre innovant montre que l’intégration de la blockchain avec l’apprentissage profond peut aboutir à un système d’e-learning sécurisé, transparent et automatisé, avec une précision de prédiction élevée et une gestion robuste des données, dépassant ainsi les études antérieures en efficacité. Il répond aux défis liés à la sécurité des données, à la vérification des apprenants et à l’automatisation des processus académiques, posant ainsi les bases de futures plateformes intelligentes d’e-learning.