E-learning przeszedł znaczącą transformację, szczególnie podkreśloną podczas kryzysów takich jak pandemia COVID-19, kiedy to stał się koniecznością na skalę globalną. UNESCO zatwierdziło różne ustalone platformy e-learningowe jako szybkie rozwiązania, lecz nie były one zalecane jako długoterminowe rozwiązania ze względu na liczne wyzwania wpływające na procesy nauki. Ostatnie badania zajęły się tymi wyzwaniami, wykorzystując sztuczną inteligencję (AI), uczenie głębokie oraz technologie blockchain. AI i uczenie głębokie koncentrują się na poprawie oceniania postępów uczących się, podczas gdy blockchain i smart kontrakty pomagają uporządkować takie kwestie jak fałszywe certyfikaty, manipulacje wynikami czy śledzenie aktywności uczących się. Mimo dużego potencjału obu technologii, niewiele badań analizowało ich integrację w ramach e-learningu, co skłoniło do opracowania tego projektu, proponującego inteligentny framework łączący blockchain i uczenie głębokie w celu zabezpieczenia i usprawnienia systemów e-learningowych poprzez zapewnienie bezpieczeństwa danych, przejrzystości i automatyzacji. Ten framework przechowuje dane uczących się w bezpieczny sposób na blockchainie, wykorzystując Interplanetary File System (IPFS) do zdecentralizowanego przechowywania dużych plików, zapewniając integralność i poufność danych poprzez portfele Ethereum prywatnego blockchaina. Modele uczenia głębokiego analizują te zabezpieczone dane w celu precyzyjnego przewidywania wyników nauki. Smart kontrakty umożliwiają wydawanie certyfikatów przez uczelnie, zapisując je niezmiennie na blockchainie, do którego mają dostęp węzły sieci, co zwiększa automatyzację, bezpieczeństwo i zaufanie wśród uczących się, profesorów i pracodawców. Blockchain zapewnia niezmienne, czasowo oznaczone, bezpieczne i przejrzyste przechowywanie danych w rozproszonej sieci typu peer-to-peer, bez konieczności centralnego organu. Ethereum, drugie pod względem kapitalizacji rynkowej po Bitcoinie, wspiera programowalne smart kontrakty za pomocą Ethereum Virtual Machine (EVM) i języka Solidity, umożliwiając warunkowe i automatyczne transakcje, znacznie wykraczające poza możliwości Bitcoina. Smart kontrakty automatycznie realizują warunki umowy po spełnieniu określonych warunków, zapisując wszystkie operacje w sposób niezmienny na blockchainie. Ze względu na to, że blockchainy nie są odpowiednie do przechowywania dużych plików, wykorzystuje się rozwiązania off-chain, takie jak IPFS, Storj czy FileCoin. IPFS jest szczególnie cenione za szyfrowanie i rozproszone peer-to-peer przechowywanie dużych plików, tworzące hasze zgodne z treścią (content-addressed hashes), które zapewniają integralność i dostęp do danych, choć kontrola dostępu nadal pozostaje wyzwaniem. IPFS odgrywa tu kluczową rolę w bezpiecznym przechowywaniu obszernej dokumentacji uczących się, jednocześnie linkując ją do transakcji na blockchainie za pomocą hashy. Uczenie głębokie, zwłaszcza sztuczne sieci neuronowe (ANN) inspirowane biologicznymi mózgami, składa się z wielu warstw — wejściowej, ukrytych i wyjściowych — które uczą się poprzez propagację do przodu, wyliczanie błędów i wsteczną propagację (backpropagation) w wielu epokach. Głębokie sieci neuronowe (DNN) z wieloma warstwami ukrytymi zwiększają dokładność prognoz. W tym projekcie wykorzystano te modele do analizy danych uczących się przechowywanych na blockchainie i IPFS, co umożliwia precyzyjne przewidywania wyników nauki. Wcześniejsze badania korzystały z uczenia głębokiego w celu prognozowania wyników edukacyjnych, m. in. oszacowań rezygnacji studentów z Massive Open Online Courses (MOOCs) przy użyciu rekurencyjnych i konwolucyjnych sieci neuronowych, osiągając lepszą dokładność od tradycyjnych metod. Inne przykłady obejmują wykorzystanie dwukierunkowych sieci pamięci długiej krótkiej (LSTM) do przewidywania rezygnacji, a modele uczenia głębokiego skutecznie prognozowały także wyniki studentów na małych, niezbalansowanych zbiorach danych, osiągając wysoką precyzję. Proponowany framework działa w trzech fazach: 1.

**Przechowywanie danych uczących się na blockchainie:** Dane z zestawu danych „Open University Learning Analytics” (32 593 rekordów, obejmujących dane demograficzne i interakcje wirtualne) są szyfrowane i zapisywane na IPFS, które generuje kryptograficzny hash. Ten hash jest następnie zapisywany na prywatnym blockchainie Ethereum przy użyciu smart kontraktów, zapewniając zdecentralizowany, niezmienny dostęp. Węzły — w tym administracja uczelni, profesorowie, uczący się i goście (pracodawcy) — rejestrują się w sieci blockchain za pomocą portfeli zawierających klucze prywatne i publiczne. 2. **Przewidywanie wyników nauki z wykorzystaniem uczenia głębokiego:** Zabezpieczone dane uczących się pobierane za pomocą IPFS są poddawane wstępnej obróbce, obejmującej wybór cech, uzupełnianie brakujących wartości (najczęściej za pomocą dominanty lub stałych), kodowanie danych kategorycznych, normalizację (MinMaxScaler) oraz redukcję wymiarów przy użyciu analizy głównych składowych (PCA). Dane są dzielone na zbiór treningowy (90%) i testowy (10%), a następnie podawane do głębokiej sieci neuronowej z warstwą wejściową (10 neuronów), pięcioma ukrytymi (każda po 500 neuronów, funkcja ReLU) oraz wyjściową z czterema neuronami reprezentującymi status (zaliczone, niezaliczone, wycofanie się, wyróżnienie), korzystającą z softmax i stratą kategorii wieloklasowej. Model, zaimplementowany w Pythonie z użyciem Keras i Sklearn, osiąga wysoką dokładność (~91, 29%) i niską stratę (~0, 18), przewyższając wyniki wcześniejszych badań na tym samym zestawie danych. 3. **Zastosowanie smart kontraktów:** Smart kontrakty uruchomione w Solidity na Ethereum umożliwiają bezpieczną wymianę informacji między węzłami: profesorowie wysyłają pliki z zadaniami na IPFS i przekazują ich hasze poprzez smart kontrakty do uczniów; uczniowie składają zadania w smart kontraktach; uczelnie wydają certyfikaty przechowywane niezmiennie na blockchainie; pracodawcy (goście) mogą uzyskać dostęp do certyfikatów i wyników uczniów po zatwierdzeniu przez uczelnię. Procesy te zapewniają przejrzystość, bezpieczeństwo i automatyzację. Implementacja obejmowała: - **Architekturę blockchain:** Opartą na Pythonie, Flasku i Postmanie, służącą do wydobywania bloków, walidacji łańcucha i dodawania transakcji. Węzły są zdecentralizowane i rejestrowane przy pomocy MyEtherWallet (MEW), które umożliwia zarządzanie portfelami z kluczami i adresami. - **Integrację blockchain z uczeniem głębokim:** IPFS przechowuje zaszyfrowane zbiory danych wraz z hashami zabezpieczonymi na blockchainie Ethereum za pomocą smart kontraktów. Model uczenia głębokiego przewiduje wyniki uczących się na podstawie zabezpieczonych danych. Smart kontrakty zarządzają transakcjami, takimi jak dystrybucja zadań, ich składanie, wydawanie certyfikatów i dostęp do danych. Testy potwierdziły poprawność funkcji m. in. rejestracji węzłów i dostępu do portfeli, przechowywania i weryfikacji hashy, wydawania i odczytu certyfikatów, interakcji związanych z zadaniami, ważności transakcji oraz integralności plików w blockchainie. Wyniki testów wykazały, że przechowywane dane są odporne na zmiany, a interakcje za pomocą smart kontraktów przebiegają bez zakłóceń. Proponowany framework pokazuje, że integracja blockchain z uczeniem głębokim może stworzyć bezpieczny, przejrzysty i zautomatyzowany system e-learningowy o wysokiej dokładności predykcji i solidnym zarządzaniu danymi, przewyższając dotychczasowe badania pod względem skuteczności. Podejście to rozwiązuje wyzwania związane z bezpieczeństwem danych, weryfikacją uczących się i automatyzacją procesów akademickich, tworząc fundament pod przyszłe inteligentne platformy edukacyjne.