Az online tanulás jelentős átalakuláson ment keresztül, különösen a COVID-19 járványhoz hasonló válságok idején, amikor ez világszerte nélkülözhetetlenné vált. Az UNESCO különböző, jól ismert e-learning platformokat hagyott jóvá gyors megoldásként, ám ezeket hosszú távú megoldásként nem ajánlották, mivel számos kihívás akadályozza a tanulási folyamatokat. A legújabb kutatások ezeket a problémákat mesterséges intelligencia (MI), mélytanulás és blokklánc technológiák alkalmazásával próbálják megoldani. Az MI és a mélytanulás a tanulók teljesítményének értékelését hivatottak javítani, míg a blokklánc és az okos szerződések segítenek megelőzni a hamis bizonyítványokat, az eredmények manipulálását és a tanulói aktivitás nyomon követését. Bár mindkét technológia ígéretes, kevés kutatás foglalkozik azok integrációjával az e-learningben, ezért ez a tanulmány egy olyan okos keretrendszert javasol, amely ötvözi a blokkláncot és a mélytanulást a rendszer biztonságának és fejlesztésének érdekében, biztosítva az adatok biztonságát, átláthatóságát és automatizáltságát. Ez a keretrendszer az adatok decentralizált tárolására az IPFS (InterPlanetary File System) segítségével tárolja a tanulói adatokat a blokkláncon, garantálva az adatok integritását és bizalmasságát az Ethereum privát blockchain walletjeivel. A mélytanulási modellek ezeket a védett adatokat elemzik, hogy pontosan prognosztizálják a tanulók teljesítményét. Az okos szerződések lehetővé teszik az egyetemek számára, hogy igazolásokat bocsássanak ki, amelyeket megingathatatlanul rögzítenek a blokkláncon, ezeket a hálózati csomópontok (node-ok) pedig hozzáférhetik, növelve az automatizmus, a biztonság és a bizalom szintjét a tanulók, oktatók és munkaadók között. A blokklánc immutábilis, időbélyegzett, biztonságos és átlátható adatszínházat nyújt egy elosztott peer-to-peer hálózatban, anélkül, hogy központi hatóságra lenne szükség. Az Ethereum a Bitcoin után a második legnagyobb piaci kapitalizációval rendelkező platform, amely lehetővé teszi a programozható okos szerződések futtatását az Ethereum Virtual Machine (EVM) segítségével, Solidity nyelven. Ez a funkció messze túlmutat a Bitcoin egyszerű tranzakcióin, lehetővé téve a feltételes, automatikus műveleteket, minden végrehajtást megőrízve a blokkláncon. Mivel a blokklánc nem alkalmas nagy fájlok tárolására, off-chain megoldások, például az IPFS, Storj vagy FileCoin használatosak. Az IPFS különösen figyelemre méltó az adatok peer-to-peer titkosításos és elosztott tárolásában, ahol tartalmi azonosítók (hash-ek) segítségével ellenőrizhető az adatok integritása és elérhetősége, bár az hozzáférés szabályozása még kihívás. Itt az IPFS fontos szerepet játszik, mivel biztonságosan tárolja a tanulók nagy mennyiségű adatait, miközben kapcsolatban marad a blokklánc tranzakcióival a hash-ek révén. A mélytanulás, különösen a biológiai agyak utánzására kifejlesztett mesterséges ideghálók (ANNs), több rétegből állnak – bemeneti, rejtett és kimeneti rétegekből –, melyek előre dőlés (forward propagation), hibaszámítás és visszaterjesztés (backpropagation) segítségével tanulnak több epochon keresztül. A mély neurális hálózatok (DNN-k) több rejtett réteggel növelik a predikciós pontosságot. A tanulmány ezeket a modelleket alkalmazza a blokkláncra és IPFS-re tárolt tanulói adatok elemzésére, lehetővé téve pontos teljesítmény-előrejelzést. Számos korábbi kutatás alkalmazott mélytanulást az oktatási eredmények előrejelzésére, például a MOOK-okra (Massive Open Online Courses) való lemorzsolódási arányok predikciójára ismétlődő és konvolúciós neurális hálózatokkal, jelentősen javítva a hagyományos módszerekhez képest az eredményességet. Más tanulmányok a bidirekcionális hosszú távú memória (LSTM) hálózatokat használták a lemorzsolódások előrejelzésére, és sikeresen jósoltak tanulói teljesítményt kis, kiegyensúlyozatlan adatkészleteken is. A javasolt keretrendszer három szakaszban működik: 1.

**Tanulói adatok tárolása a blokkláncon:** A „Open University Learning Analytics” adatbázisból származó (32. 593 rekord, demográfiai adatok és virtuális tanulási interakciók) adatokat titkosítva az IPFS-re helyezik, amely kriptográfiai hash-t generál. Ezt a hash-t privát Ethereum blockchainen tárolják okos szerződéseken keresztül, így decentralizált, megmásíthatatlan hozzáférést biztosítva. A hálózatra regisztrálhatnak a csomópontok, így az egyetem adminisztrációja, oktatók, tanulók és vendégek (munkáltatók) is. 2. **Mélységelemzés alapú teljesítménypredikció:** A visszakeresett, titkosított adatok előfeldolgozáson esnek át: jellemzők kiválasztása, hiányzó értékek pótlása (módban és konstansokban), kategóriák kódolása, normálás (MinMaxScaler), illetve dimenziócsökkentés PCA segítségével. A datasetet 90%-os tanulási és 10%-os teszt szakaszokra osztják, majd egy mély neuronhálót alkalmaznak, amely bemeneti rétegből (10 neuron), öt rejtett rétegből (mindegyik 500 ReLU aktivációval) és négy kimeneti osztályból áll (jó, rossz, lemorzsolódás, kitüntetés), softmax aktivációval és sparsított keresztentrópia veszteséggel. A modell, Pythonban, Keras-szal és Sklearn-nel, eléri a körülbelül 91, 29%-os pontosságot és 0, 18 körüli veszteséget, felülmúlva a korábbi kutatásokat. 3. **Okos szerződések alkalmazása:** Solidity nyelven az Ethereumon futó okos szerződések lehetővé teszik a csomópontok közötti biztonságos interakciókat: az oktatók felteszik az feladatokat az IPFS-re, a fájl hash-eit okos szerződéseken keresztül küldik a tanulóknak; a tanulók benyújtják a feladatokat ugyanígy; az egyetemek igazolásokat bocsátanak ki, melyeket változatlanul rögzítenek a blokkláncon; a munkaadók (vendégek) pedig hozzáférnek a tanulók igazolásaihoz és teljesítményadataihoz az egyetem jóváhagyásával. Ezek az eljárások biztosítják az átláthatóságot, a biztonságot és az automatizmust. A megvalósítás során: - **Blockchain architektúra:** Python, Flask és Postman segítségével fejlesztették, a blokkok bányászatára, a lánc ellenőrzésére és tranzakciók hozzáadására. A csomópontokat decentralizáltan regisztrálják a MyEtherWallet (MEW) segítségével, mely kulcsokat és címeket kezel. - **Blockchain és mélytanulás integrációja:** Az IPFS az adatok titkosított példányait, hash-eit tárolja, melyeket az Ethereum blockchain okos szerződései védelmeznek. A mélytanulási modell a védett adatokból jósolja meg a tanulók teljesítményét. Az okos szerződések kezelik a tranzakciókat, így az feladatküldést, benyújtást, bizonyítványkibocsátást és az adatok hozzáférését. A tesztelés igazolja a rendszer helyességét: regisztráció, wallet-hozzáférés, hash-másolás és ellenőrzés, igazolások és adatok elérése, feladatküldés, tranzaсiók helyessége és adat integritás megtartása a blokkláncon. A teszteredmények megerősítik az adatok változtathatatlanságát és a zökkenőmentes működést. Összességében ez a keretrendszer mutatja, hogy a blokklánc és a mélytanulás összekapcsolásával egy biztonságos, átlátható és automatizált e-learning rendszer alakítható ki, amely magas predikciós pontosságot és hatékony adatkezelést garantál, felülmúlva korábbi kutatásokat. Ez a módszer megoldja az adatok biztonságának, a tanulói hitelesítésnek és az automatikus oktatási folyamatoknak a kihívásait, és megalapozza a jövő okos e-learning platformjait.