ਇ-ਲਰਨਿੰਗ ਨੇ ਇੱਕ ਮਹੱਤਵਪੂਰ ਤਬਦੀਲੀ ਦਾ ਸਾਹਮਣਾ ਕੀਤਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਕੋਵਿਡ-19 ਮਹਾਮਾਰੀ ਜਿਵੇਂ ਸੰਕਟਾਂ ਦੌਰਾਨ ਜਦੋਂ ਇਹ ਵਿਸ਼ਵ ਭਰ ਵਿੱਚ ਅਨਿਵਾਰਯ ਬਣ ਗਈ। ਯੂਨੀਸੇਫ ਨੇ ਕਈ ਸਥਾਪਿਤ ਇ-ਲਰਨਿੰਗ ਪਲੇਟਫਾਰਮਾਂ ਨੂੰ ਤੁਰੰਤ ਹੱਲ ਵਜੋਂ ਮਨਜ਼ੂਰ ਕੀਤਾ, ਪਰ ਇਹ ਲੰਮੇ ਸਮੇਂ ਲਈ ਠੀਕ ਨਹੀਂ ਮੰਨੇ ਗਏ ਕਿਉਂਕਿ ਲਰਨਿੰਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੀਆਂ ਕਈ ਚੁਣੌਤੀਆਂ ਸਾਹਮਣੇ ਆਈਆਂ। ਹਾਲੀਆ ਅਧਿਐਨ ਇਨ੍ਹਾਂ ਚੁਣੌਤੀਆਂ ਦਾ ਸਮਾਧਾਨ ਕ੍ਰਿਤ੍ਰਿਮ ਬੁੱਧੀ (AI), ਡੂੰਘੀ ਲਰਨਿੰਗ ਅਤੇ ਬਲਾਕਚੇਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੀਤਾ ਹੈ। AI ਅਤੇ ਡੂੰਘੀ ਲਰਨਿੰਗ ਲਰਨਰ ਦੀ ਪ੍ਰਦਰਸ਼ਨ ਸਮੀਖਿਆ ਨੂੰ ਸੁਧਾਰਨ ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ, ਜਦਕਿ ਬਲਾਕਚੇਨ ਅਤੇ ਸ್ಮਾਰਟ ਕਾਂਟਰੈਕਟਸ ਫਰਜ਼ੀ ਸਰਟੀਫਿਕੇਟਾਂ, ਨਤੀਜਿਆਂ ਦੀ ਮੈਨਿਪुलेਸ਼ਨ ਅਤੇ ਲਰਨਰ ਸਰਗਰਮੀ ਟਰੈਕਿੰਗ ਵਰਗੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨਾਲ ਲੜਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ ਇਹ ਦੋਨਾ ਟੈਕਨੋਲੋਜੀਜ਼ ਆਪਣੀ ਮੁੱਲ ਵਿੱਚ ਮਜ਼ਬੂਤ ਸੰਭਾਵਨਾਵਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਪਰ ਕਈ ਅਧਿਐਨ ਅਤੀਕ੍ਰਮਣ ਸੰਰਚਨਾ ਅਤੇ ਇਨਟੇਗ੍ਰੇਸ਼ਨ ਦੀ ਬਾਰੇ ਵਿੱਚ ਖੋਜ ਨਹੀਂ ਕੀਤੀ। ਇਸ ਲਈ ਇਹ ਅਧਿਐਨ ਇੱਕ ਸਮਾਰਟ ਫਰੇਮਵਰਕ ਪ੍ਰਸਤਾਵਿਤ ਕਰਦਾ ਹੈ ਜੋ ਬਲਾਕਚੇਨ ਅਤੇ ਡੂੰਘੀ ਲਰਨਿੰਗ ਨੂੰ ਜੋੜਦਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਡਾਟਾ ਸੁਰੱਖਿਆ, ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਸੁਤੰਤਰਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ ਇ-ਲਰਨਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਅਤੇ ਸੁਧਾਰਨਾ ਹੈ। ਇਹ ਫਰੇਮਵਰਕ ਲਰਨਰ ਡਾਟਾ ਨੂੰ ਬਲਾਕਚੇਨ 'ਤੇ ਸੁਰੱਖਿਅਤ ਰੂਪ ਵਿੱਚ ਸੰਭਾਲਦਾ ਹੈ, ਜੋ ਇੰਟਰਨੈਟ੍ਰੈਪਲੇਨੇਟਰੀ ਫਾਈਲ ਸਿਸਟਮ (IPFS) ਦੀ ਵਰਤੋਂ ਨਾਲ ਵਿਸਤ੍ਰਿਤ ਫਾਈਲਾਂ ਲਈ ਵਿਕਦਲੀ ਸਟੋਰੇਜ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ ਏਥਰੀਅਮ ਪ੍ਰਾਈਵੇਟ ਬਲਾਕਚੇਨ ਵਾਲਟਾਂ ਰਾਹੀਂ ਡਾਟਾ Integrity ਅਤੇ ਮਨੋਰੰਜਨ ਨੂੰ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਰੱਖਦਾ ਹੈ। ਡੂੰਘੀ ਲਰਨਿੰਗ ਮਾਡਲ ਇਸ ਸੁਰੱਖਿਅਤ ਡਾਟਾ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣਾ ਕਰਕੇ ਅਕਾਦਮਿਕ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸੂਚਨਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸ್ಮਾਰਟ ਕਾਂਟਰੈਕਟਸ ਵੱਲੋਂ ਯੂਨੀਵਰਸਿਟੀਆਂ ਸਨਦਾਂ ਜਾਰੀ ਕਰਦੀਆਂ ਹਨ, ਜਿਸ ਨੂੰ ਬਲਾਕਚੇਨ 'ਤੇ ਅਮੌਰੇ ਰੂਪ ਵਿੱਚ ਰਿਪੋਰਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਨੈੱਟਵਰਕ ਨੋਡਾਂ ਨੂੰ ਉਪਲੱਬਧ ਹੋ ਜਾਂਦੇ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਸਵੈਚਾਲਿਤਤਾ, ਸੁਰੱਖਿਆ ਅਤੇ ਵਿਸ਼ਵਾਸ ਵਧਦਾ ਹੈ। ਬਲਾਕਚੇਨ ਇਕ ਵਿਕੇਂਦਰੀਸ਼ਤ, ਸਮੇਂ-ਦੇ-ਸਮੇਂ ਲਾਈਨਕੱਤਨ, ਸੁਰੱਖਿਅਤ ਅਤੇ ਪਾਰਦਰਸ਼ ਡਾਟਾ ਸਟੋਰੇਜ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕਿਸੇ ਕੇਂਦਰੀ ਅਧਿਕਾਰ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ। ਏਥਰੀਅਮ, ਬਿਟਕੋਇਨ ਤੋਂ ਬਾਅਦ ਮਾਰਕੀਟ ਕੈਪਿਟਲਾਈਜੇਸ਼ਨ ਵਿੱਚ ਦੂਜੇ ਸਥਾਨ 'ਤੇ ਹੈ, ਅਤੇ ਯੂਜ਼ਰ ਨੂੰ ਪ੍ਰੋਗ੍ਰਾਮਿੰਗ ਯੋਗ ਸਮਾਰਟ ਕਾਂਟਰੈਕਟਸ ਦੀ ਸਮਰਥਾ ਦਿੰਦਾ ਹੈ, ਜਿਸਨੂੰ ਸੁਲੀਡੀਟੀ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸਮਾਰਟ ਕਾਂਟਰੈਕਟਸ ਨਿਸ਼ਚਿਤ ਸ਼ਰਤਾਂ ਪੂਰੀ ਹੋਣ 'ਤੇ ਸਵੈਚਾਲਿਤ ਤੌਰ ਤੇ ਸਮਝੌਤਿਆਂ ਦੀ ਕਾਰਵਾਈ ਨੂੰ ਸੁਨਿਸ਼ਚਿਤ ਕਰਦੇ ਹਨ ਅਤੇ ਸਾਰੇ ਲੈਣ-ਦੇਣਾਂ ਨੂੰ ਬਲਾਕਚੇਨ 'ਤੇ ਅਮੌਰੇ ਰికారਡ ਕਰਦੇ ਹਨ। ਬਲਾਕਚੇਨ ਜੋ ਵੱਡੀ ਫਾਈਲਾਂ ਲਈ ਅਨੁਕੂਲ ਨਹੀਂ ਹੈ, ਇਸ ਲਈ IPFS, Storj ਅਤੇ FileCoin ਵਰਗੀਆਂ ਬਾਹਰੀ ਸਟੋਰੇਜ ਸੁਲੂਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। IPFS ਨੇ ਵੱਡੀਆਂ ਫਾਈਲਾਂ ਨੂੰ ਪੀਅਰ-ਟੂ-ਪੀਅਰ ਤਰੀਕੇ ਨਾਲ ਇਨਕ੍ਰਿਪਟ ਕਰਕੇ ਵੰਡਣਾ, ਸਮੱਗਰੀ-ਪਹيدਾਉਦੇ ਹੇਸ਼ ਬਣਾਉਣਾ, ਇਸਦੀ ਇੰਜੈਰੀਟੀ ਅਤੇ ਪਹੁੰਚ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਸਹਾਇਕ ਹੈ, ਹਾਲਾਂਕਿ ਪਹੁੰਚ ਨਿਯੰਤਰਣ ਇੱਕ ਚੁਣੌਤੀ ਰਹੀ ਹੈ। ਇੱਥੇ ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਲਰਨਰਾਂ ਦੀਆਂ ਵੱਡੀਆਂ ਡਾਟਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਤਰੀਕੇ ਨਾਲ ਸੰਭਾਲਣ ਅਤੇ ਬਲਾਕਚੇਨ ਟ੍ਰਾਂਜ਼ੈਕਸ਼ਨ ਨਾਲ ਜੋੜਨ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਡੂੰਘੀ ਲਰਨਿੰਗ, ਖਾਸ ਕਰਕੇ ਕਿਰਿਆਮਾਨ ਸਨ੍ਯੂਰਨੈਟਵਰਕਸ (ANNs) ਜੋ ਜੀਵਨ ਜੀਵਾਂ ਦੇ ਦਿਮਾਗ ਤੋਂ ਪ੍ਰੇਰਿਤ ਹਨ, ਵਿੱਚ ਕਈ ਪਰਤਾਂ ਹੋਦੀਆਂ ਹਨ—ਇੰਪੁਟ, ਹਿੱਡਨ ਅਤੇ ਆਉਟਪੁਟ। ਇਹ ਮਾਡਲ ਅੱਗੇ ਵਧੇਰੇ ਫਾਰਵਰਡ ਪ੍ਰਪੈਗੇਸ਼ਨ, ਗਲਤੀ ਦੀ ਗਣਨਾ ਅਤੇ ਬੈਕਪ੍ਰਪੈਗੇਸ਼ਨ ਦੇ ਰਾਹੀਂ ਸਿਖਦੇ ਹਨ। ਕਈ ਹੇਠਲੇ ਢਾਂਚੇ ਵਾਲੇ ਡੀਪ ਨੈੱਟਵਰਕਸ (DNNs), ਜੋ ਕਈ ਹਿੱਡਨ ਲੇਅਰਾਂ ਰੱਖਦੇ ਹਨ, ਅਨੁਮਾਣ ਵਿੱਚ ਵਧੀਆ ਸੁਚੱਜਤਾ ਲੈਂਦੇ ਹਨ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਇਹ ਮਾਡਲ ਲਰਨਰ ਦੀ ਡਾਟਾ ਨੂੰ ਬਲਾਕਚੇਨ ਅਤੇ IPFS ਰਾਹੀਂ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਹੋਇਆ ਪ੍ਰੋਸੈਸ ਕਰਦੇ ਹਨ ਅਤੇ ਇਸ ਦੇ ਨਾਲ ਨਤੀਜੇ ਦਾ ਸਹੀ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ। ਪੜ੍ਹਾਈ ਵਾਲੀਆਂ ਫਲਿਤਾ ਖ਼ਾਸ ਕਰਕੇ ਅਰਟਿਫੀਸ਼ੀਅਲ ਨੈਚਰਲ ਨੈਟਵਰਕਸ (ANNs) ਦੀ ਵਰਤੋਂ ਨਾਲ ਕਈ ਪੂਰਵ ਅਧਿਐਨਾਂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ। ਉਦਾਹਰਨ ਵਜੋਂ, ਵੱਡੇ ਖੁੱਲ੍ਹੇ ਔਨਲਾਈਨ ਕੋਰਸਾਂ (MOOCs) ਵਿੱਚ ਵਿਦਿਆਰਥੀ ਛੈੱਡਣ ਦੀ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਰਿਕਰੈਂਟ ਨੈਚਰਲ ਨੈਟਵਰਕ ਅਤੇ ਕਨਵੋਲੂਸ਼ਨਲ ਨੈਚਰਲ ਨੈੱਟਵਰਕ ਦੀ ਵਰਤੋਂ ਹੋਈ ਹੈ, ਜਿਸ ਨਾਲ ਪਰੰਪਰਾਵਾਂ ਤੋਂ ਬਿਹਤਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਹੋਏ। ਦੂਜੇ ਅਧਿਐਨ ਬਾਈਡਾਈਰੈਕਸ਼ਨਲ ਲੰਗ-ਸ਼ਾਰਟ ਟਰਮ ਮੈਮੋਰੀ (LSTM) ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਨਾਲ ਛੈੱਡਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਛੋਟੇ ਅਤੇ ਅਸਮਤੋਲ ਡਾਟਾਸੈੱਟਾਂ ਵਿੱਚ ਵੀ ਉੱਚ ਸਹੀਤਾ ਨਾਲ ਵਿਦਿਆਰਥੀ ਦੀ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਪ੍ਰਸਤਾਵਿਤ ਫਰੇਮਵਰਕ ਤਿੰਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ: 1. **ਲਰਨਰ ਡਾਟਾ ਨੂੰ ਬਲਾਕਚੇਨ 'ਤੇ ਸੰਭਾਲਣਾ:** “ਓਪਨ ਯੂਨੀਵਰਸਿਟੀ ਲਰਨਿੰਗ ਐਨਾਲਿਟਿਕਸ” ਡਾਟਾਸੈੱਟ (32, 593 ਰਿਕਾਰਡ, ਜਿਸ ਵਿੱਚ ਲੋਕਾਂ ਦੀਆਂ ਜਾਣਕਾਰੀਆਂ ਅਤੇ ਵਰਚੂਅਲ ਲਰਨਿੰਗ ਇੰਟਰੈਕਸ਼ਨ ਸ਼ਾਮਲ ਹਨ) ਨੂੰ ਐਨਕ੍ਰਿਪਟ ਕਰਕੇ IPFS ਤੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਇੱਕ ਕ੍ਰਿਪਟੋਗਰੈਫਿਕ ਹੇਸ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਇਨ੍ਹਾਂ ਹੇਸ਼ਾਂ ਨੂੰ ਇੱਕ ਪ੍ਰਾਈਵੇਟ ਏਥਰੀਅਮ ਬਲਾਕਚੇਨ 'ਤੇ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਤੇ ਸਵੈਚਾਲਿਤ ਅਤੇ ਅਮੌਰੇ ਲਾਗੂ ਹੁੰਦੇ ਹਨ। ਨੋਡ—ਜਿਵੇਂ ਕਿ ਯੂਨੀਵਰਸਿਟੀ ਪ੍ਰਸ਼ਾਸਨ, ਪ੍ਰੋਫੈਸਰ, ਲਰਨਰ ਅਤੇ ਮਹਿਮਾਨ (ਨੌਕਰੀਦਾਤਾ)—ਆਪਣੇ ਖਾਤਿਆਂ (ਜਿਸ ਵਿੱਚ ਪ੍ਰਾਈਵਟ ਅਤੇ ਪਬਲਿਕ ਕੀਜ ਹਨ) ਨਾਲ ਬਲਾਕਚੇਨ ਨੈੱਟਵਰਕ 'ਤੇ ਰਜਿਸਟਰ ਹੁੰਦੇ ਹਨ। 2.

**ਡੂੰਘੀ ਲਰਨਿੰਗ ਅਧਾਰਤ ਪ੍ਰਦਰਸ਼ਨ ਅਨੁਮਾਨ:** IPFS ਰਾਹੀਂ ਪ੍ਰਾਪਤ ਕੀਤੀਆਇਆਨਾਂ ਨੂੰ ਪ੍ਰੀ-ਪ੍ਰੋਸੈੱਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਗੁਣਾਂ ਦੀ ਚੁਣਾਈ, ਗੁਣਾਂ ਦੀ ਘਾਟ ਨੂੰ ਮੋਡ ਅਤੇ ਸਥਿਰਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਭਰਨਾ, ਵਰਣਨਾਤਮਕ ਡੈਟਾ ਨੂੰ ਐਨਕੋਡ ਕਰਨਾ, MinMaxScaler ਨਾਲ ਨਾਰਮਲਾਈਜ਼ ਕਰਨਾ ਅਤੇ ਪੂਰਨ ਪਰਿਭਾਸ਼ਾਵਾਂ ਲਈ ਪ੍ਰਿੰਸੀਪਲ ਕੰਪੋਨੈਂਟ ਐਨਾਲਿਸਿਸ (PCA) ਦੇ ਨਾਲ ਮਾਪਦੰਡ ਘਟਾਉਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਡਾਟਾਸੈੱਟ ਨੂੰ 90% ਟ੍ਰੇਨਿੰਗ ਅਤੇ 10% ਟੈਸਟ ਪਰ ਆਧਾਰ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਡਾਟਾ ਇੱਕ ਡੀਪ ਨੈੱਟਵਰਕ ਵਿੱਚ ਪੈਦਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ 10 ਨਿਊਰੋਨ ਵਾਲਾ ਇੰਪੁਟ ਲੇਅਰ, 5 ਹਿੱਡਨ ਲੇਅਰ (ਹਰ ਇੱਕ ਵਿੱਚ 500 ਨਿਊਰੋਨ, ReLU ਐਕਟੀਵੇਸ਼ਨ), ਅਤੇ 4 ਨਿਊਰੋਨ ਵਾਲਾ ਆਉਟਪੁਟ ਲੇਅਰ ਹੁੰਦਾ ਹੈ ਜੋ ਪਾਸ, ਫੇਲ, ਵਿਸ਼ਰ чтобы, ਅਤੇ ਡਿਸਟਿੰਕਸ਼ਨ ਦੀ ਹਾਲਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਪਾਇਥਨ, ਕੈਰੇਸ, ਅਤੇ ਸਕਲਰਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਲਗਭਗ 91. 29% ਸਹੀਤਾ ਅਤੇ 0. 18 ਦਾ ਘੱਟ ਨੁਕਸਾਨ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜੋ ਪਿਛਲੇ ਅਧਿਐਨ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ। 3. **ਸਮਾਰਟ ਕਾਂਟਰੈਕਟ ਦੀ ਵਰਤੋਂ:** ਸੌਲੀਡੀਟੀ ਵਿੱਚ ਤਿਆਰ ਹੋਏ ਸਮਾਰਟ ਕਾਂਟਰੈਕਟ ਸੈਨਾਰਿਓ ਰਾਹੀਂ ਨੋਡਾਂ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਲੈਣ-ਦੇਣ ਦੀ ਪ੍ਰਬੰਧਨ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਪ੍ਰੋਫੈਸਰਾਂ ਅਸਾਈਨਮੈਂਟ ਅਾਪਲੋਡ ਕਰਦੇ ਹਨ ਅਤੇ IPFS ਨੂੰ ਹੈਸ਼ ਭੇਜਦੇ ਹਨ, ਵਿਦਿਆਰਥੀ ਅਸਾਈਨਮੈਂਟ ਦਾਖਲ ਕਰਦੇ ਹਨ, ਯੂਨੀਵਰਸਿਟੀਆਂ ਸਰਟੀਫਿਕੇਟ ਜਾਰੀ ਕਰਦੀਆਂ ਹਨ ਜੋ ਬਲਾਕਚੇਨ 'ਤੇ ਅਮੀਥ ਜਾਣ ਮੱਦਾ ਹੋ ਕੇ ਅੰਮੋਲ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਨੌਕਰੀਦਾਤਾ (ਮੇਹਮਾਨ) ਲੇਰਨਰਾਂ ਦੇ ਸਰਟੀਫਿਕੇਟ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਡਾਟਾ ਨੂੰ ਯੂਨੀਵਰਸਿਟੀ ਦੀ ਮਨਜ਼ੂਰੀ ਮਸ਼ੀਨ 'ਤੇ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਇਹ ਸਾਰੇ ਕਾਰਜ ਪਾਰਦਰਸ਼ਤਾ, ਸੁਰੱਖਿਅਤਾ ਅਤੇ ਸਵੈਚਾਲਿਤਤਾ ਨੂੰ ਯਕੀਨ ਬਣਾਉਂਦੇ ਹਨ। ਇਹ ਸਾਰੇ ਤਰੀਕੇ ਜਾਂਚ ਨਾਲ ਸਹੀ ਟੈਸਟ ਕੀਤੇ ਗਏ ਹਨ, ਜਿਸ ਵਿੱਚ ਨੋਡ ਰਜਿਸਟ੍ਰੇਸ਼ਨ, ਵਾਲਟ ਵਰਤੋਂ, ਹੈਸ਼ ਸਟੋਰੇਜ, ਸਰਟੀਫਿਕੇਟ ਪ੍ਰਾਪਤੀ, ਅਸਾਈਨਮੈਂਟ ਥੈੜ ਜਾਂਚ, ਲੈਣ-ਦੇਣ ਦੀ ਮਿਆਦ ਅਤੇ ਫਾਈਲ ਦੀ ਅਸਲਤਾ ਸਮੇਤ। ਨਤੀਜੇ ਇਹ ਸੱਭਿਆਚਾਰ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਡਾਟਾ ਬਦਲਾਅਮੁਕਤ ਅਤੇ ਟੁੱਟ-ਫੂਟ ਤੋਂ ਮੁਕਤ ਹੈ ਅਤੇ ਸਮਾਰਟ ਕਾਂਟਰੈਕਟ ਰਾਹੀਂ ਸਹੂਲਤ ਦਰੁਸਤ ਚਲ ਰਹੀ ਹੈ। ਇਸ ਪ੍ਰਸਤਾਵਿਤ ਫਰੇਮਵਰਕ ਨੇ ਦਰਸਾਇਆ ਹੈ ਕਿ ਬਲਾਕਚੇਨ ਨੂੰ ਡੂੰਘੀ ਲਰਨਿੰਗ ਨਾਲ ਜੋੜ ਕੇ ਇੱਕ ਸੁਰੱਖਿਅਤ, ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਸਵੈਚਾਲਿਤ ਈ-ਲਰਨਿੰਗ ਪ੍ਰਣਾਲੀ ਤਿਆਰ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਉੱਚ ਅਨੁਮਾਨ ਸਹੀਤਾ ਅਤੇ ਮਜ਼ਬੂਤ ਡਾਟਾ ਪ੍ਰਬੰਧਨ ਹੈ, ਜੋ ਪਹਿਲਾਂ ਦਰਸਾਏ ਗਏ ਅਧਿਐਨਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ। ਇਸ ਪਹੁੰਚ ਨਾਲ ਡਾਟਾ ਸੁਰੱਖਿਆ, ਲਰਨਰ ਦੀ ਪੁਸ਼ਟੀ ਅਤੇ ਸਵੈਚਾਲਿਤ ਅਕਾਦਮਿਕ ਪਰਕਿਰਿਆਵਾਂ ਦਾ ਸਮਰਥਨ ਹੁੰਦਾ ਹੈ, ਜੋ ਭਵਿੱਖ ਵਿੱਚ ਸਮਾਰਟ ਈ-ਲਰਨਿੰਗ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਅਧਾਰਸ਼ੀਲ ਬੁਨਿਆਦ ਹੈ।