E-mokymasis patyrė reikšmingą pertvarką, ypač pabrėžtą krizės metu, tokios kaip COVID-19 pandemija, kai jis tapo būtinas visame pasaulyje. UNESCO leidžia įvairias įprastas e-mokymosi platformas kaip greitus sprendimus, tačiau šie nebuvo rekomenduojami kaip ilgalaikiai sprendimai dėl kelių iššūkių, turinčių įtakos mokymosi procesams. Pastarųjų metų tyrimai sprendžia šiuos iššūkius pasitelkiant dirbtinį intelektą (DI), gilųjį mokymąsi ir blokų grandines. DI ir gilusis mokymasis daugiausia dėmesio skiria mokinio pasiekimų įvertinimo gerinimui, o blokų grandinės ir išmaniosios sutartys padeda kovoti su tokiais klausimais kaip padirbti pažymėjimai, rezultatų manipuliavimas ir mokinio veiklos stebėjimas. Nors abi technologijos rodo stiprią potencialą, mažai tyrimų tiria jų integraciją e-mokymesi, todėl šiame darbe siūlomas išmanusis pagrindas, jungiantis blokų grandines ir gilųjį mokymąsi, siekiant užtikrinti duomenų saugumą ir skaidrumą bei padidinti automatizaciją. Šis pagrindas saugiai saugo mokinio duomenis blokų grandinėje, pasitelkiant Interplanetary File System (IPFS) decentralizuotam didelių failų saugojimui, užtikrinant duomenų vientisumą ir konfidencialumą per Ethereum privatusjų blockchain pinigines. Toliau naudojami gilųjį mokymąsi modeliai analizuoja šiuos saugius duomenis ir tiksliai prognozuoja akademinius pasiekimus. Išmaniosios sutartys leidžia universitetams išduoti pažymėjimus, įrašant juos nepažeidžiamai į blokų grandinę, prieinamus tinklo mazgams, skatinant automatizaciją, saugumą ir pasitikėjimą tarp mokinių, dėstytojų ir darbdavių. Blokų grandinė suteikia nepažeidžiamą, laiko žymą turintį, saugų ir skaidrų duomenų saugojimą paskirstytoje tinklo įmonėje be centrinės valdžios. Ethereum, antras pagal kapitalizaciją po Bitcoin, palaiko programuojamas išmaniąsias sutartis per Ethereum Virtual Machine (EVM), naudojant Solidity kalbą, leidžiantį vykdyti sąlyginius ir automatinius sandorius, kurie toli viršija Bitcoin galimybes. Išmaniosios sutartys automatizuoja sutarties sąlygų vykdymą, įrašydamos visas operacijas nepažeidžiamai į blokų grandinę. Kadangi blokų grandinės nėra tinkamos didelių failų saugojimui, naudojami užblokinių sprendimų variantai kaip IPFS, Storj ir FileCoin. IPFS yra ypač žinomas dėl didelių failų šifravimo ir paskirstyto P2P (peers-to-peers) perdavimo, sukuriant turinio adresuotus maišus, kurie patvirtina duomenų vientisumą ir prieigą, nors prieigos kontrolė vis dar iššūkis. Čia IPFS svarbi dėl to, kad saugiai saugo mokinių didelių duomenų apimtis ir leidžia juos susieti su blokų grandinės sandoriais per maišus. Gilųjį mokymąsi, ypač dirbtinius neuroninius tinklus (DNT), įkvėptus biologinių smegenų, sudaro keli sluoksniai — įvesties, paslėpti ir išvesties — kurie mokosi naudodami priekinę sklidimą, klaidų skaičiavimą ir atgalinį sklidimą per keliolika epokų. DNT su keliais paslėptais sluoksniais padidina prognozių tikslumą. Šiame darbe naudojami šie modeliai apdoroti mokinio duomenis, saugomus per blokų grandinę ir IPFS, leidžiantys tiksliai prognozuoti mokymosi rezultatus. Anksčiau atlikti tyrimai taikė gilųjį mokymąsi švietimo srityje, įskaitant studentų iškritimo rodiklių prognozes masiniuose atviruose internetiniuose kursuose (MOOCs) naudojant pasikartojančius ir konvoliucinius neuroninius tinklus, pasiekiant geresnį tikslumą nei tradiciniai metodai. Kiti tyrimai taikė abipusinius ilgo ir trumpojo laikotarpio atminties (LSTM) tinklus studentų iškritimo prognozėms, o gilusis mokymasis sėkmingai prognozavo studentų pasiekimus mažose, nelygiavertėse duomenų rinkinėse, pasiekdami didelį tikslumą. Siūlomas pagrindas veikia trimis etapais: 1.

**Mokinio duomenų saugojimas blokų grandinėje:** Naudojamas duomenų rinkinio „Open University Learning Analytics“ (32 593 įrašai apie demografinius duomenis ir virtualų mokymąsi) duomenų šifravimas ir saugojimas IPFS, kuris generuoja kriptografiškus maišus. Šie maišai įrašomi privačioje Ethereum blokų grandinėje naudojant išmaniąsias sutartis, užtikrinant decentralizuotą ir nepažeidžiamą prieigą. Mazgai, įskaitant universiteto administraciją, dėstytojus, mokinius ir svečius (darbdavius), registruojasi tinkluose naudodami pinigines su privačiais ir viešais raktais. 2. **Giluminio mokymosi metodų taikymas pasiekimų prognozei:** Surinkti duomenys, gauti per IPFS, išvalomi ir paruošiami: atliekama veiksnių atranka, tuščių reikšmių pakeitimas (naudojant moda ir konstantas), kategorinių duomenų kodavimas, normalizavimas naudodami MinMaxScaler ir matmenų mažinimas taikant Principal Component Analysis (PCA). Duomenų rinkinys padalijamas į 90% mokymuisi ir 10% testavimui, jį įveda į gilųjį neuroninį tinklą, sudarytą iš įvesties sluoksnio (10 neurų), penkių paslėptų sluoksnių (kiekvienas po 500 neurų, ReLU aktyvacija) ir išvesties sluoksnio su keturiais neurais, atitinkančiais: išlaikymas, iškritimas, atsisakymas ir pažymėjimo gavimas, naudojant softmax aktyvaciją ir suodžių kategorinius kryžminės entropijos nuostolius. Šis modelis, įgyvendintas Python, Keras ir Sklearn aplinkoje, pasiekia apie 91, 29% tikslumą ir maždaug 0, 18 nuostolio, tai gerokai viršija ankstesnius šio duomenų rinkinio tyrimus. 3. **Išmaniųjų sutarčių naudojimas:** Išmaniosios sutartys, parašytos Solidity ir įdiegtos Ethereum, leidžia saugiai vykdyti operacijas tarp mazgų: dėstytojai įkelia užduotis į IPFS ir siunčia failų maišus per išmaniąsias sutartis mokiniams; mokiniai pateikia užduotis per išmaniąsias sutartis; universitetai išduoda pažymėjimus, išsidėsčiusius nepažeidžiamai blokų grandinėje, kurią gali pasiekti tinklo mazgai; o darbdaviai (svečiai) gali pasiekti mokinių sertifikatus ir pasiekimų duomenis po universiteto patvirtinimo. Šie procesai užtikrina skaidrumą, saugumą ir automatizaciją. Įgyvendinimas apėmė: - **Blockchain architektūra:** Sukurta naudojant Python, Flask ir Postman, vykdant blokų įminimą, grandinės validavimą ir operacijų pridėjimą. Mazgai yra decentralizuoti ir registruojami per MyEtherWallet (MEW), kuris valdo pinigines su raktų poromis ir adresais. - **Blockchain ir gilųjį mokymąsi integracija:** IPFS saugo šifruotas duomenų rinkinius su jų maišais, kurie yra saugiai įrašyti Ethereum blokų grandinėje per išmaniąsias sutartis. Gilusis modelis prognozuoja mokinių pasiekimus iš saugių duomenų. Išmaniosios sutartys valdo kiekvieną operaciją—nuo užduočių pateikimo iki pažymėjimų išdavimo ir duomenų prieigos. Testavimu patvirtinami funkcijų veikimo būdai: mazgų registracija ir piniginių prieiga, maišų saugojimas ir patvirtinimas, pažymėjimų išdavimas ir gavimas, užduočių vykdymas, sandorių teisėtumas ir failų vientisumas grandinėje. Testų rezultatai patvirtina, kad duomenys yra nepažeidžiami ir negali būti pakeisti, o sąveika su išmaniomis sutartimis vyksta sklandžiai. Šis siūlomas pagrindas įrodo, kad integruodami blockchain ir gilųjį mokymąsi, galime sukurti saugią, skaidrią ir automatizuotą e-mokymosi sistemą, pasižyminčią aukštu prognozių tikslumu ir patikimu duomenų valdymu – viršijančią ankstesnius tyrimus savo efektyvumu. Šis požiūris sprendžia duomenų saugumo, mokinių patvirtinimo ir automatizuotų akademinių procesų iššūkius, ir sudaro pagrindą būsimoms išmaniosioms e-mokymosi platformoms.