E-learning heeft een ingrijpende transformatie ondergaan, vooral benadrukt tijdens crises zoals de COVID-19-pandemie, toen het wereldwijd onmisbaar werd. UNESCO heeft diverse gevestigde e-learningplatforms geautoriseerd als snelle oplossingen, maar deze werden niet aanbevolen als lange-termijnoplossingen vanwege verschillende uitdagingen die leerprocessen beïnvloeden. Recente studies hebben deze uitdagingen aangepakt met behulp van kunstmatige intelligentie (AI), deep learning en blockchain-technologieën. AI en deep learning richten zich op het verbeteren van de evaluatie van de prestaties van leerlingen, terwijl blockchain en slimme contracten helpen tegen problemen zoals vervalste certificaten, resultaatmanipulatie en het traceren van leerlingactiviteiten. Hoewel beide technologieën sterke potentie tonen, onderzoeken weinig studies hun integratie binnen e-learning, wat deze studie motiveert om een slim raamwerk voor te stellen dat blockchain en deep learning combineert om e-learningsystemen te beveiligen en te verbeteren door databeveiliging, transparantie en automatisering te waarborgen. Dit raamwerk slaat leerlinggegevens veilig op de blockchain op, met gebruik van het Interplanetair Bestandsysteem (IPFS) voor gedecentraliseerde opslag van grote bestanden, en zorgt voor gegevensintegriteit en vertrouwelijkheid via Ethereum-private blockchain-wallets. Deep learning-modellen analyseren vervolgens deze beveiligde gegevens om de academische prestaties nauwkeurig te voorspellen. Slimme contracten faciliteren het uitgeven van certificaten door universiteiten, die onherroepelijk op de blockchain worden vastgelegd en toegankelijk zijn voor netwerkknopen, wat automatisering, beveiliging en vertrouwen vergroot tussen leerlingen, docenten en werkgevers. Blockchain biedt onherroepelijke, tijdgestempelde, beveiligde en transparante gegevensopslag binnen een gedistribueerd peer-to-peer-netwerk zonder centrale autoriteit. Ethereum, dat qua marktwaarde tweede staat na Bitcoin, ondersteunt programmeerbare slimme contracten via de Ethereum Virtual Machine (EVM) met behulp van Solidity, die voorwaardelijke en geautomatiseerde transacties mogelijk maken die ver boven de capaciteiten van Bitcoin uitstijgen. Slimme contracten automatiseren de uitvoering van contractvoorwaarden zodra vooraf bepaalde criteria worden voldaan, en enregistreren alle uitvoeringen onherroepelijk op de blockchain. Omdat blockchains niet geschikt zijn voor grote bestanden, worden off-chain opslagoplossingen zoals IPFS, Storj en FileCoin gebruikt. IPFS staat bekend om het encrypten en peer-to-peer distribueren van grote bestanden, waarbij content-geadresseerde hashes worden gegenereerd die dataintegriteit en toegang verifiëren, hoewel toegangscontrole nog een uitdaging blijft. IPFS is hier belangrijk voor het veilig opslaan van uitgebreide leerlinggegevens en het koppelen aan blockchain-transacties via hashes. Deep learning, vooral kunstmatige neurale netwerken (ANNs) geïnspireerd door biologische hersenen, bestaan uit meerdere lagen — invoer-, verborgen en uitvoerlagen — die leren via voorwaartse propagatie, foutberekening en backpropagatie over meerdere epochs. Diepe neurale netwerken (DNNs) met meerdere verborgen lagen verbeteren de voorspellingsnauwkeurigheid. Deze studie gebruikt deze modellen om leerlinggegevens te verwerken die via blockchain en IPFS zijn opgeslagen, waardoor nauwkeurige prestatievoorspellingen mogelijk zijn. Verschillende eerdere studies hebben deep learning toegepast voor onderwijsresultaten, zoals voorspellingen van dropout-rates in Massive Open Online Courses (MOOCs) met behulp van recurrente en convolutie-neurale netwerken, die een verbeterde nauwkeurigheid laten zien ten opzichte van traditionele methoden. Andere studies maakten gebruik van bidirectionele long-short-term-memory-netwerken voor dropout-voorspellingen, en deep learning-modellen hebben met hoge nauwkeurigheid de prestaties van studenten kunnen voorspellen in kleine, onbalancerende datasets. Het voorgestelde raamwerk werkt in drie fasen: 1.

**Opslag van leerlinggegevens op blockchain:** Leerlinggegevens uit de dataset “Open University Learning Analytics” (32. 593 records met demografische gegevens en virtuele leerinteracties) worden versleuteld en opgeslagen op IPFS, dat een cryptografische hash genereert. Deze hash wordt opgeslagen op een privé Ethereum-blockchain via slimme contracten, waardoor gedecentraliseerde, onveranderlijke toegang mogelijk is. Noden — waaronder universiteitsadministratie, docenten, leerlingen en gasten (werkgevers) — registreren zich op het blockchain-netwerk met wallets die privé- en publieke sleutels bevatten. 2. **Prestatievoorspelling met deep learning:** De versleutelde leerlinggegevens, die via IPFS worden opgehaald, ondergaan preprocessing, inclusief feature selectie, vervanging van ontbrekende waarden (met modus en constante waarden), codering van categorische gegevens, normalisatie met MinMaxScaler en dimensionaliteitsreductie door Principal Component Analysis (PCA). De dataset wordt gesplitst (90% training, 10% testing) en ingevoerd in een deep neural network met een invoerlaag (10 neuronen), vijf verborgen lagen (elk met 500 neuronen en ReLU-activatie) en een uitvoerlaag met vier neuronen (om de status passeren, falen, afwijken en behalen te vertegenwoordigen) met softmax-activatie en sparse categorical cross-entropy verlies. Dit model, geïmplementeerd in Python, Keras en Sklearn, behaalt een hoge nauwkeurigheid (~91, 29%) en lage verlies (~0, 18), en overtreft eerdere studies op dezelfde dataset. 3. **Gebruik van slimme contracten:** Slimme contracten, ontwikkeld via Solidity op Ethereum, maken veilige interacties tussen knopen mogelijk: docenten uploaden opdrachten naar IPFS en sturen hashes via slimme contracten naar leerlingen; leerlingen dienen opdrachten in via slimme contracten; universiteiten geven certificaten uit die onveranderlijk op de blockchain worden opgeslagen; en werkgevers (gasten) krijgen na goedkeuring van de universiteit toegang tot de certificaten en prestatiedata van leerlingen. Deze processen waarborgen transparantie, beveiliging en automatisering. De implementatie omvatte: - **Blockchain-architectuur:** Ontwikkeld met Python, Flask en Postman voor het minen van blokken, valideren van de keten en toevoegen van transacties. Noden zijn gedecentraliseerd en geregistreerd via MyEtherWallet (MEW), dat walletbeheer biedt met sleutels en adressen. - **Integratie van blockchain en deep learning:** IPFS slaat versleutelde datasets op met hun hashes, beveiligd op de Ethereum blockchain via slimme contracten. Het deep learning-model voorspelt de prestaties van leerlingen op basis van beveiligde gegevens. Slimme contracten beheren transacties, zoals het distribueren van opdrachten, inzendingen, certificaatuitgifte en gegevenstoegang. Testfasen bevestigen functies zoals noderegistratie, wallet-toegang, opslag en verificatie van hashes, uitgifte en ophalen van certificaten, interacties met opdrachten, geldigheid van transacties en gegevensintegriteit op de blockchain. De testresultaten bevestigen de onveranderlijkheid en weerstand tegen manipulatie van de opgeslagen gegevens en het soepele functioneren van de slimme contracten. Het voorgestelde raamwerk toont aan dat de integratie van blockchain met deep learning een veilig, transparant en geautomatiseerd e-learning systeem kan opleveren met hoge voorspellingsnauwkeurigheid en robuust databeheer, en dat het de effectiviteit overtreft van eerdere studies. Deze aanpak adresseert uitdagingen zoals databeveiliging, leerlingverificatie en geautomatiseerde academische processen, en legt een fundament voor toekomstige slimme e-learningplatformen.