ელერნეტი underwent a significant transformation, განსაკუთრებით კრიზისების დროს, როგორიცაა COVID-19 პანდემია, როდესაც მან გლობალურად გახდა აუცილებელი. UNESCO-ზე მიენიჭა სხვადასხვა સ્થાપিত ელერნეთვის პლატფორმებს სწრაფი გადაწყვეტებების სახით, თუმცა ისინი სამეურვეო დათმობებად არ განიხილებოდნენ ძირულად, მრავალი სირთულის გამო, რომლებიც გავლენას ახდენდნენ სწავლის პროცესებზე. უახლესი კვლევები ამ სირთულეებს ემყარება ხელოვნური ინტელექტის (AI), დიმისეული სწავლებისა და ბლოკჩეინ ტექნოლოგიების გამოყენებით. AI და დიმისეული სწავლება fokუსდება სწავლის შედეგების ფასეულობის შეფასებაზე, ხოლო ბლოკჩეინი და სმარტ კონტრაქტები ებრძვის ყალბ სერთიფიკატებს, შედეგების მანიპულაციებს და მსწავლელის აქტივობის მონიტორინგს. მიუხედავად იმისა, რომ ორივე ტექნოლოგია აჩვენებს ერთნაირ მოლოდინს, ნაკლები კვლევაა მათი ინტეგრირების შესახებ ელერნეტვში, რის გამოც ეს კვლევა გთავაზობთ სმარტ სწავლების ეკოსისტემას, რომელიც ახორციელებს ბლოკჩეინსა და დიმისეულ სწავლებას, რათა უზრუნველყოს მონაცემთა უსაფრთხოება, გამჭვირვალობა და ავტონომია. ეს მექანიზმი უსაფრთხოდ ინახავს მსწავლელების მონაცემებს ბლოკჩეინზე, იყენებს Interplanetary File System (IPFS)-ს დიდფაილურ სისტემაში გავრცელებისთვის, რათა გარანტირებული იყოს მონაცემთა სისუფთავე და კონფიდენციალობა Ethereum-ის პირადი ბლოკჩეინის საფულეებთან. შემდეგ, დიმისეული მოდელები ანალიზდებიან ამ მონაცემებს, რათა ზუსტად გაანგარიშონ აკადემიური პროგრესი. სმარტ კონტრაქტები უზრუნველყოფს სერთიფიკატების გამოცემას უნივერსიტეტების მიერ, რომლებიც შეუღლებლად ფიქსირდება ბლოკჩეინზე, ნებშიაწვდომია ქსელის კვანძების მიერ, რაც აუმჯობესებს ავტომატიზაციას, უსაფრთხოებას და ნდობას სტუდენტებს, პროფესორებს და დამსაქმებლებს შორის. ბლოკჩეინი უზრუნველყოფს შეუნარჩუნებელ, დროის ნიშნულს გაზიარებულ, უსაფრთხო და გამჭვირვალე მონაცემთა შენახვას დიფუზ peer-to-peer ქსელში, ცენტრალური მმართველობის გარეშე. Ethereum, ბიტკოინზე მეოთხე ბაზრის კაპიტალიზაციით, მხარს უჭერს სქელიტირებადი სმარტ კონტრაქტების შექმნას Solidity-ის გამოყენებით, რომელიც ევმ-ის (Ethereum Virtual Machine) საშუალებით მუშაობს და საშუალებას მანიპულირებას აძლევს გამარტივებულ და ავტომატურ ტრანზაქციებს, ბევრად აღემატება ბიტკოინის შესაძლებლობებს. სმარტ კონტრაქტები ავტომატურად ახორციელებს შეთანხმების შაბლონებს, როდესაც წინასწარ განსაზღვრულ პირობებს მიაღწევენ, მათ შეუნარჩუნებლად ფიქსირდება ბლოკჩეინზე. ბლოკჩეინები არ არის ადეკვატური დიდფაილურ მონაცემებზე, ამიტომ გამოიყენება გარეგანი საცავი, როგორიცაა IPFS, Storj და FileCoin. IPFS არის გამორჩევითი ძლიერ ტექნოლოგია, რომლითაც დიდფაილები სემიწითად განაწილდება peer-to-peer ქსელში, ქმნის content-addressed ჰეშებს, რომლებიც ადასტურებენ მონაცემების სიზუსტეს და უზრუნველყოფენ წვდომას, თუმცა კონტროლი ხელმისაწვდომობის მეთოდებზე ჯერ კიდევ გამოწვევაა. აქ IPFS მნიშვნელოვანი ხდება დიდმასალის მონაცემების უსაფრთხოდ შენახვისთვის, და დაკავშირებულია ბლოკჩეინ ტრანზაქციებთან ჰეშების საშუალებით. დიმისეული სწავლება, განსაკუთრებით ხელოვნური ნერვული ქსელები (ANNs), რომელიც შთაგონებულია ბიოლოგიური თვალსაზრისით, მოიცავს მრავლობით ფუძეებს — შეტანის, დაფარვის და გამომავალი ფენებს — რომლებიც სწავლობენ წინაწარ განსახორციელებელი მეთოდებით, შეცდომის ცალკეული შეფასებით და ბექპროვარიგაციით მრავალი ეპოქის განმავლობაში. დიმისეული ნერვული ქსელები (DNNs) ბევრად ამაღლებს პროგნოზის სიზუსტეს, ვიდრე ცალკეული ლ Layers-ებით. ეს კვლევა იყენებს ამ მოდელებს, რათა წარმოაჩინოს სტუდელების მონაცემების დამუშავება, რომლებიც შენახულია ბლოკჩეინსა და IPFS-ზე, და ამით მიიღოს ზუსტი პროგნოზი მათი აქტივობის შესახებ. წინა კვლევებმა გამოიყენეს დიმისეული სწავლება საგანმანათლებლო შედეგების პროგნოზირებისთვის, მათ შორის სტუდენტების dropout-ის მაჩვენებლების წარმოდგენა Massive Open Online Courses (MOOCs)-ზე, რეციპროცული და კონვოლუციური ნერვული ქსელების დახმარებით, რაც აძლიერებს სიზუსტეს წინა ტრადიციულ მეთოდებზე. სხვა გამოიყენა ბაიდექციონალური long-short-term memory (LSTM) ქსელები dropout-ის პროგნოზირებისთვის, ხოლო დიმისეული მოდელები წარმატებით ახდენდნენ სტუდენტთა შედეგების ზუსტი პროგნოზირებას მცირე, დიფერენცირებულ მონაცემებზე. ეს სამსახურში გეგმა მუშაობს სამი რგოლით: 1.

**სტუდენტის მონაცემების შენახვა ბლოკჩეინზე:** გამოყენებულია “Open University Learning Analytics” მონაცემთა ბაზა (32, 593 ჩანაწერი, მათ შორის დემოგრაფია და ვირტუალური სწავლების ინტერაქციები), იგი ემკვრივება და ინახება IPFS-ში, რომელიც ქმნის კრიპტოგრაფიულ ჰეშს. ეს ჰეში ინახება Ethereum-ის პირად ბლოკჩეინზე სმარტ კონტრაქტების მეშვეობით, რაც უზრუნველყოფს დეცენტრალიზებულ, შეუნარჩუნებელ წვდომას. ნებიან—უნივერსიტეტის ადმინისტრაცია, პროფესორები, სტუდენტები და სტუმრები (დამსაქმებლები)—ესთიკებიან ბლოკჩეინ ქსელში ანგარიშხებს, რომლებიც შეიცავს პირად და საჯარო გასაღებს. 2. **დიმისეულის პროგნოზის გაკეთება:** დაშიფრული მონაცემები Retrived IPFS-იდან ემუშავება წინამორბცევად გადარჩენის გზით: მათ ირჩევენ თვისებებით, სუბმეტის აღდგენა (მოდით და კონსტანტებით), კატეგორიული მონაცემების კოდირება, Normalization-ით MinMaxScaler-ის გამოყენებით და მოცულობის შემცირებით PCA-ით. მონაცემთა ნაკადი ნაწილდება (90% ტრენინგის, 10% ტესტის რეჟიმში) და შემოაქვს დიმისეული ნერვული ქსელის სახით: შევსების ფენა (10 ნეირონი), ხუთი დაფარვის ფენა (ყველა 500 ნეირონით, ReLU-ს გამოყენებით), და გამავალი ფენა (चार ნეირონით, რომელიც გამოხატავს წარმატებას, მარცხს, ანულაციას და დივაინებს) სამოყვარულო აქტივაციით და სუსტ კატეგორიული კროსენტროფის დანაკარგით. ეს მოდელი, დაწერილია Python-ში, Keras-შია და Sklearn-თან იმუშავებს, აჩვენებს მაღალი სიზუსტე (~91. 29%) და დაბალი დანაკარგი (~0. 18), მზარდია წინა კვლევებზე. 3. **სმარტ კონტრაქტების გამოყენება:** სმარტ კონტრაქტები, რომლებიც განკუთვნილია Solidity-ის გამოყენებით Ethereum-ზე, უზრუნველყოფს უსაფრთხო ურთიერთქმედებას კვანძებს შორის: პროფესორები ატვირთავენ დავალებებს IPFS-ზე, ისრიან ფაილ ჰეშებს სმარტ კონტრაქტების მეშვეობით სტუდენტებს; სტუდენტები სხადასხმა სვამენ დავალებას სმარტ კონტრაქტების საშუალებით; უნივერსიტეტები გამოყოფენ სერთიფიკატებს, რომლებიც შეუნარჩუნებლად განთავსებულია ბლოკჩეინზე; და დამსაქმებლები (გახმოვანულნი) იღებენ სტუდენტების სერთიფიკატებს და შეფასების მონაცემებს უნივერსიტეტის თანხმობით. ეს პროცესები უზრუნველყოფს გამჭვირვალობას, უსაფრთხოებას და ავტომატიზაციას. განხორციელების პროცესში მოიცავდა: - **ბლოკჩეინ არქიტექტურა:** შემუშავდა Python, Flask და Postman-ის გამოყენებით ბლოკების კრიურსა და საგაზეთოების დასჭირვებლად, და ტრანზაქციების დამატებისთვის. ნელები განაწილებული და რეგისტრირდიან MyEtherWallet-ის (MEW) ვებსაიტზე, რაც მაძლევს საფულე მართვას გასაღებებით და მისამართებით. - **ინტეგრაცია ბლოკჩეინსა და დიმისეულ სწავლებას:** IPFS შესანახად ინახება დაშიფრული მონაცემები და ჰეშები, რომლებიც შეღავათიანად განთავსებულია Ethereum ბლოკჩეინზე სმარტ კონტრაქტებით. დიმისეული მოდელი პროგნოზებს სტუდენტის შესრულებას დაშიფრული მონაცემების საფუძველზე. სმარტ კონტრაქტები განკუთვნილია ტრანზაქციებისთვის, მათ შორის დავალების დისტრიბუცია, მიღება, სერთიფიკატების გამოყოფა და მონაცემთა გადაფარვა. ტესტირების ეტაპებზე შემოწმდება ფუნქციები, როგორიცაა კვანძების რეგისტრაცია და ჯ Иногдаင္ნის მოგვარება, ჰეშის შენახვა და დადასტურება, სერთიფიკატის გამოქვეყნება და კითხვის და ტრანზაქციების მოლოდინები. ტესტის შედეგები ადასტურებს მონაცემების შეუნარჩუნებლობას და შეუკითხელობას, და სმარტ კონტრაქტებით ურთიერთქმედების სწორად შესრულებას. წარდგენილი გეგმა გვაჩვენებს, რომ ბლოკჩეინთან და დიმისეულ სწავლებასთან შერწყმა ქმნის უსაფრთხო, გამჭვირვალე და ავტომატიზებული ელერნეთვის სისტემას, რომელიც უზრუნველყოფს მაღალი პროგნოზის სიზუსტეს და მყარი მონაცემთა მართვას, გაცილებით აჭარბებს წინა კვლევებს ეფექტურობაში. ამ მიდგომა პასუხობს მონაცემთა უსაფრთხოების, სტუდენტის გადამოწმებისა და ავტონომური აკადემიური პროცესების გამოწვევებს, ქმნის საფუძველს მომავალი სმარტ ელერნეთვის პლატფორმებისთვის.