E-læring har gjennomgått en betydelig transformasjon, særlig tydelig under kriser som COVID-19-pandemien, da det ble avgjørende globalt. UNESCO autoriserte ulike etablerte e-læringsplattformer som hurtige løsninger, men disse ble ikke anbefalt som langsiktige fixes på grunn av flere utfordringer som påvirker læringsprosessene. Nylige studier har tatt opp disse utfordringene ved bruk av kunstig intelligens (AI), dyp læring og blockchain-teknologier. AI og dyp læring fokuserer på å forbedre vurderingen av elevprestasjoner, mens blockchain og smarte kontrakter hjelper med å bekjempe problemer som falske sertifikater, manipulasjon av resultater og sporing av elevaktivitet. Selv om begge teknologiene viser stort potensial, er det få studier som utforsker deres integrasjon i e-læring, noe som har ført til dette studiet som foreslår en smart rammeverk som kombinerer blockchain og dyp læring for å sikre og forbedre e-læringssystemer gjennom å sikre datasikkerhet, åpenhet og automatisering. Dette rammeverket lagrer elevdata sikkert på blockchain ved bruk av Interplanetary File System (IPFS) for desentralisert lagring av store filer, og sikrer dataintegritet og konfidensialitet via Ethereum private blockchain-lommebøker. Dyp læringsmodeller analyserer deretter denne sikrede dataen for å forutsi akademisk ytelse nøyaktig. Smarte kontrakter legger til rette for utstedelse av sertifikater av universiteter, og registrerer disse uforanderlig på blockchainen som kan nås av nettverksnoder, noe som øker automatisering, sikkerhet og tillit blant elever, professorer og arbeidsgivere. Blockchain gir uforanderlig, tidsstemplet, sikker og transparent lagring av data innenfor et distribuert peer-to-peer-nettverk uten en sentralisert myndighet. Ethereum, som ligger etter Bitcoin i markedsverdi, støtter programmerbare smarte kontrakter via Ethereum Virtual Machine (EVM) og Solidity, som muliggjør betingede og automatiserte transaksjoner langt utover Bitcoins kapasiteter. Smarte kontrakter automatiserer gjennomføringen av kontraktsvilkår når forhåndsdefinerte betingelser er oppfylt, og registrerer alle utførelser uforanderlig på blockchainen. Siden blokkjeder ikke er egnet for store filer, brukes løsninger utenfor kjeden som IPFS, Storj og FileCoin. IPFS er spesielt kjent for å kryptere og distribuere store filer peer-to-peer, og skaper innholds-adresserte hashes som bekrefter dataenes integritet og tilgang, selv om kontroll av tilgang fortsatt er utfordrende. IPFS er viktig her for å lagre elevens omfattende data sikkert samtidig som det kobles til transaksjoner på blockchainen via hashes. Dyp læring, spesielt kunstige nevrale nettverk (ANNs) inspirert av biologiske hjerner, involverer flere lag—inngangs-, skjulte- og utgangslag—that lærer gjennom fremoverpropagering, feilberegning og tilbakepropagering over flere epoker. Dype nevrale nettverk (DNNs) med flere skjulte lag forbedrer prediksjonsnøyaktigheten. Dette studiet bruker disse modellene for å behandle elevdata lagret via blockchain og IPFS, og gjøre nøyaktige ytelsesforutsigelser. Flere tidligere studier har brukt dyp læring for å forutsi utdanningsresultater, inkludert prediksjon av frafallsrater i Massive Open Online Courses (MOOCs) ved bruk av rekursive og konvolusjonelle nevrale nettverk, med forbedret nøyaktighet sammenlignet med tradisjonelle metoder. Andre har benyttet bidireksjonale LSTM-nettverk for frafallsforutsigelser, og dyp læring har vellykket predikert studentprestasjoner i små, ubalanserte datamengder med høy nøyaktighet. Den foreslåtte rammen består av tre faser: 1.

**Lagring av elevdata på blockchain:** Data fra “Open University Learning Analytics”-datasettet (32 593 poster med demografi og virtuelle læringsinteraksjoner) krypteres og lagres på IPFS, som genererer en kryptografisk hash. Denne hashen lagres på en privat Ethereum-blockchain ved bruk av smarte kontrakter, noe som muliggjør desentralisert, uforanderlig tilgang. Noder – inkludert universitetsadministrasjon, professorer, elever og gjester (arbeidsgivere) – registrerer seg på blockchain-nettverket ved bruk av lommebøker med private og offentlige nøkler. 2. **Dyp lærings-basert ytelsesforutsigelse:** Den krypterte elevdataen som er hentet via IPFS, gjennomgår forhåndsbehandling med funksjonsutvelgelse, erstatning av manglende verdier (ved bruk av modus og konstante verdier), koding av kategoriske data, normalisering med MinMaxScaler og dimensjonsreduksjon med Principal Component Analysis (PCA). Datasetet deles (90% tren, 10% test) og mates inn i et dyp nevralt nettverk med én inngangsplate (10 nevroner), fem skjulte lag (hver med 500 nevroner og ReLU-aktivisering) og én utgangsplate med fire nevroner som representerer bestått, ikke bestått, trekk og sortering, ved bruk av softmax-aktivering og sparsiv kryss-sannsynlighetstap. Denne modellen, implementert i Python, Keras og Sklearn, oppnår høy nøyaktighet (~91, 29 %) og lavt tap (~0, 18), og overgår tidligere studier med samme datasett. 3. **Bruk av smarte kontrakter:** Smarte kontrakter som er utarbeidet i Solidity og kjører på Ethereum, muliggjør sikre interaksjoner mellom noder: professorer laster opp oppgaver til IPFS og sender filhasher via smarte kontrakter til elever; elever leverer inn oppgaver via smarte kontrakter; universiteter utsteder sertifikater som lagres uforanderlig på blockchain; og arbeidsgivere (gjester) får tilgang til elevenes sertifikater og prestasjonsdata etter godkjenning fra universitetet. Disse prosessene sikrer åpenhet, sikkerhet og automatisering. Evalueringsfasen involverte: - **Blockchain-arkitektur:** Utviklet med Python, Flask og Postman for å mine blokker, validere kjeder og legge til transaksjoner. Noder er desentraliserte og registrert via MyEtherWallet (MEW), som tilbyr porteføljestyring med nøkler og adresser. - **Integrering av blockchain og dyp læring:** IPFS lagrer krypterte datasett med tilhørende hashes sikret på Ethereum blockchain med smarte kontrakter. Den dype læringsmodellen forutsier elevprestasjoner fra sikrede data. Smarte kontrakter håndterer transaksjoner, som tildeling av oppgaver, innsending, sertifikatutstedelse og datatilgang. Testfaser bekrefter funksjoner som node-registrering og lommebok-tilgang, lagring og verifisering av hashes, utstedelse og henting av sertifikater, oppgaveinteraksjoner, gyldighet av transaksjoner og filintegritet på blockchainen. Testresultatene bekrefter dataintegritet og motstandsdyktighet mot endringer, samt glatte samhandlinger via smarte kontrakter. Den foreslåtte rammen demonstrerer at integrering av blockchain med dyp læring kan skape et sikkert, transparent og automatisert e-læringssystem med høy prediksjonsnøyaktighet og robust datastyring, og overgår tidligere studier i effektivitet. Denne tilnærmingen tar opp utfordringer knyttet til datasikkerhet, elevverifisering og automatiske akademiske prosesser, og legger grunnlaget for fremtidige smarte e-læringsplattformer.