E-mācīšanās ir būtiski transformējusies, īpaši izcelta krīzes situācijās, piemēram, COVID-19 pandēmijas laikā, kad tā kļuva par universāli nepieciešamu elementu. UNESCO apstiprināja dažādas esošas e-mācīšanās platformas kā ātrās risinājumu iespējas, taču tās neiesaka kā ilgtermiņa risinājumus, ņemot vērā vairākas izaicinājumu, kas ietekmē mācīšanās procesus. Nesenie pētījumi ir risinājuši šos izaicinājumus, izmantojot mākslīgā intelekta (MI), dziļās mācīšanās un blokķēdes tehnoloģijas. MI un dziļā mācīšanās koncentrējas uz mācīšanās rezultātu novērtēšanu, kamēr blokķēde un viedie līgumi palīdz cīnīties pret problēmām, piemēram, viltotas sertifikātus, rezultātu manipulāciju un mācību aktivitāšu uzraudzību. Lai gan abas tehnoloģijas demonstrē potenciālu, maz pētījumu ir pievērsušies to integrācijai e-mācīšanās vidē, kas mudina šo pētījumu iesniegt jaunu smart ietvara modeli, kas apvieno blokķēdi un dziļo mācīšanos, nodrošinot datu drošību, caurspīdīgumu un automatizāciju. Šis ietvars droši glabā mācīšanās datu informāciju blokķēdē, izmantojot Interplanetāro failu sistēmu (IPFS) lielu failu decentralizētai uzglabāšanai, nodrošinot datu integritāti un konfidencialitāti, izmantojot Ethereum privātas blokķēdes maku. Dziļās mācīšanās modeļi analizē šos drošos datus, lai precīzi prognozētu akadēmisko sniegumu. Viedo līgumu sistēma atvieglo sertifikātu izsniegšanu no universitāšu puses, ierakstot tos nemainīgi blokķēdē, pieejamus tīkla mezgliem, tādējādi uzlabojot automatizāciju, drošību un uzticību starp mācībspēkiem, studentiem un darba devējiem. Blokķēde nodrošina nemainīgu, laika zīmogu ievērojošu, drošu un caurspīdīgu datu uzglabāšanu no decentralizētas peer-to-peer tīkla, kurā nav centrālās autoritātes. Ethereum, kurš ir otrajā vietā pēc tirgus kapitalizācijas aiz Bitcoin, atbalsta programmējamos viedo līgumu izpildi, izmantojot Ethereum Virtuālo Mašīnu (EVM) ar Solidity valodu, kas ļauj veikt nosacījumus balstītas un automātiskas transakcijas – daudz tālāk nekā Bitcoin spēj. Viedie līgumi automātiski izpilda līguma nosacījumus, kad ir izpildīti iepriekš noteikti kritēriji, ierakstot visus izpildījumus nemainīgi blokķēdē. Tā kā blokķēdes nav piemērotas lielu failu glabāšanai, izmanto ārpus ķēdes uzglabāšanas risinājumus, piemēram, IPFS, Storj un FileCoin. IPFS ir iecienīta ar šifrēšanu un peer-to-peer disku sadali, radot satura adrese piesaistītus hashu, kas apstiprina datu integritāti un piekļuvi, taču piekļuves kontrole joprojām ir izaicinājums. Šajā pētījumā IPFS ir būtisks, droši uzglabājot studentu daudzos datus un sasaistot tos ar blokķēdes darījumiem, izmantojot hashus. Dziļā mācīšanās, īpaši mākslīgās neironu sistēmas (ANN), kas iedvesmotas no bioloģiskaiem smadzenēm, sastāv no vairākiem slāņiem – ievades, slēptajiem un izejas slāņiem – kuri mācās, izmantojot priekšā plūstošu pārraidīšanu, kļūdu aprēķinu un atpakaļnoskaidrošanu vairākos epohos. Dziļās neironu tīklu modeļi (DNN) ar vairākiem slēptajiem slāņiem uzlabo prognozēšanas precizitāti. Šajā pētījumā šie modeļi apstrādā glabātos mācīšanās datus, izmantojot blokķēdi un IPFS, ļaujot precīzi prognozēt mācību sniegumu. Iepriekšējās pētījumos ir izmantotas dziļās mācīšanās metodes izglītības rezultātu prognozēšanā, tostarp paredzot stikšanos izlaiduma un atturēšanas gadījumus MOOCs (Milzīgas Brīvas Tiešsaistes Kursi) ar atkārtēm un konvolūcijas neironu tīkliem, uzlabojot precizitāti salīdzinājumā ar tradicionālajām metodēm. Daži izmanto bidirekcionālas ilgtspējīgas atmiņas (LSTM) tīklus, bet citi ir veiksmīgi paredzējuši studentu sniegumu nelielos, nesaistītos datu kopās ar augstu precizitāti. Izstrādātais ietvars darbojas trijos posmos: 1.

**Mācīšanās datu droša glabāšana blokķēdē:** no “Open University Learning Analytics” datu kopas (32 593 ieraksti ar demogrāfijas un virtuālās mācīšanās saskares datiem) dati tiek šifrēti un glabāti IPFS, kas ģenerē ģeogrāfisku hash. Šis hash tiek saglabāts privātā Ethereum blokķēdē ar viedo līgumu starpniecību, nodrošinot decentralizētu, nemainīgu piekļuvi. Mezgli – gan universitātes administrācija, gan pasniedzēji, gan studenti un viesu (darba devēju) – reģistrējas blokķēdes tīklā, izmantojot makus ar privātajiem un publiskajiem atslēgām. 2. **Dziļās mācīšanās modeļa snieguma prognozēšana:** šie šifrētie dati, kas iegūti caur IPFS, tiek apstrādāti ar datu sagatavošanu, ietverot pazīmju izvēli, tukšo vērtību aizvietošanu (izmantojot režīmu un konstantes), kategoriju kodēšanu, normalizāciju ar MinMaxScaler un dimensiju samazināšanu ar PCA. Datu kopas sadala 90% apmācībai un 10% testēšanai. Tiek izmantots dziļās neironu tīkla modelis ar ievades slāni (10 neironi), pieciem slēptajiem (katrs ar 500 neironiem, ReLU aktivācija) un izejas slāni ar četriem nevoniem, kas atbilst statusiem – pieņemt, neapmeklēt, izstāties un norobežoties – ar softmax aktivāciju un spars kropas kategoriju starpību. Modelis, kas realizēts Python, Keras un Sklearn vidēs, sasniedz apmēram 91, 29% precizitāti, ar aptuveni 0, 18 zudumu, pārsniedzot iepriekšējos pētījumus. 3. **Viedo līgumu izmantošana:** izmantojot Solidity Ethereum platformā, viedie līgumi ļauj droši sadarboties mezgliem: pasniedzēji augšupielādē uzdevumus IPFS, nosūta failu hashus viedo līgumu starpniecībā mācībspēkiem; mācībspēki iesniedz uzdevumus caur viedajiem līgumiem; universitātes izsniedz sertifikātus, kas nemainīgi ir ierakstīti blokķēdē; darba devēji (viesi) piekļūst studentu sertifikātiem un snieguma datiem ar universitātes apstiprinājumu. Šī procesa nodrošina caurspīdīgumu, drošību un automatizāciju. Implementācija ietvēra: - **Blokķēdes arhitektūra:** izstrādāta ar Python, Flask un Postman, testējot bloku ieguvi, ķēdes validāciju un darījumu pievienošanu. Mezgli ir decentralizēti un reģistrēti ar MyEtherWallet (MEW), kas nodrošina maku pārvaldību ar atslēgām un adresēm. - **Blokķēdes un dziļās mācīšanās integrācija:** IPFS glabā šifrētus datus ar hash, kas aizsargāti Ethereum blokķēdē ar viedo līgumu palīdzību. Dziļās mācīšanās modelis ar drošu datu apstrādi paredz mācīšanās rezultātus. Viedie līgumi pārvalda transakcijas, uzdevumu izplatīšanu, sertifikātu izsniegšanu un datu piekļuvi. Testēšanā pārbaudīti mezglu reģistrācijas un maku piekļuves, hash un datu integritātes pārbaudes, sertifikātu izsniegšanas un piekļuves, uzdevumu sadales un transakciju derīguma jautājumi. Rezultāti apstiprina datu nemainīgumu un drošību, kā arī efektīvu sadarbību ar viedo līgumu palīdzību. Šis modelis apstiprina, ka blokķēdes integrācija ar dziļo mācīšanos var radīt drošu, caurspīdīgu un automatizētu e-mācīšanās sistēmu ar augstu prognozes precizitāti un uzlabotu datu pārvaldību, pārspējot iepriekšējos pētījumus. Šī pieeja risina datu drošības, mācību verifikācijas un automatizētu akadēmisko procesu jautājumus, attīstot pamatu nākotnes viedajām e-mācību platformām.