Электронное обучение претерпело значительные изменения, особенно ярко проявившиеся во время кризисов, таких как пандемия COVID-19, когда оно стало необходимостью по всему миру. UNESCO одобрило различные устоявшиеся платформы электронного обучения в качестве быстрых решений, однако эти решения не рекомендуются как долгосрочные, из-за ряда проблем, влияющих на процессы обучения. Недавние исследования решали эти проблемы с помощью технологий искусственного интеллекта (ИИ), глубокого обучения и блокчейна. ИИ и глубокое обучение предназначены для повышения эффективности оценки результатов учащихся, а блокчейн и смарт-контракты помогают бороться с подделками сертификатов, манипуляциями результатами и отслеживанием деятельности обучающихся. Несмотря на перспективность обеих технологий, мало исследований посвящено их интеграции в электронное обучение, что послужило основанием для данного исследования, предлагающего умную систему, объединяющую блокчейн и глубокое обучение для обеспечения безопасности и повышения качества электронного обучения за счет данных, прозрачности и автоматизации. Эта система безопасно хранит данные обучающихся в блокчейне, используя Межпланетную файловую систему (IPFS) для децентрализенного хранения больших файлов, обеспечивая целостность и конфиденциальность данных через приватные кошельки Ethereum. Модели глубокого обучения анализируют эти защищённые данные для точного прогнозирования академической успеваемости. Смарт-контракты способствуют выдаче сертификатов университетами, записывая их в неизменяемой форме в блокчейн, доступной узлам сети, что повышает автоматизацию, безопасность и доверие между обучающимися, профессорами и работодателями. Блокчейн обеспечивает неизменное, с метками времени, безопасное и прозрачное хранение данных в распределенной сети равноправных участников без централизованного управления. Ethereum — второй по рыночной капитализации после Bitcoin, поддерживает программируемые смарт-контракты через виртуальную машину Ethereum (EVM) с использованием языка Solidity, что позволяет выполнять условные и автоматические транзакции, значительно превосходя возможности Bitcoin. Смарт-контракты автоматизируют выполнение условий договоров после достижения заданных условий и неизменяемо фиксируют все операции в блокчейне. Поскольку блокчейны плохо подходят для хранения больших файлов, используются внешние решения — Off-chain хранилища, такие как IPFS, Storj и FileCoin. IPFS особенно выделяется возможностью шифрования и многоуровневого распределенного хранения больших файлов по принципу «ровно-в-рове» (peer-to-peer), создавая хеши, использующиеся как адреса контента для проверки целостности и доступа к данным, хотя контроль доступа остается сложной задачей. В данной системе IPFS важен для безопасного хранения большого объема данных обучающихся, обеспечивая связь с транзакциями в блокчейне через хеши. Глубокое обучение, в особенности искусственные нейронные сети (ANN), вдохновленные биологическими мозгами, включает множество слоев — входной, скрытые и выходные — которые обучаются через прямое распространение, расчет ошибок и обратное распространение по множеству эпох. Глубокие нейронные сети (DNN) с несколькими скрытыми слоями обеспечивают более точные прогнозы. В исследовании такие модели используют для обработки данных обучающихся, сохраненных через блокчейн и IPFS, для получения высокоточных прогнозов результатов. Ранее проведенные исследования использовали глубокое обучение для прогнозирования учебных результатов, например, прогнозирование отказов студентов в массовых открытых онлайн-курсах (MOOCs) с помощью рекуррентных и сверточных нейросетей, в результате чего достигнута лучшая точность по сравнению с традиционными методами.

Также применяли двунаправленные сети долгой краткосрочной памяти (LSTM) для предсказания отчислений, а модели глубокого обучения успешно предсказывали успеваемость студентов на малых, несбалансированных наборах данных с высокой точностью. Предложенная система работает в три этапа: 1. **Хранение данных обучающихся на блокчейне:** данные из набора данных «Open University Learning Analytics» (32 593 записи о демографии и виртуальных взаимодействиях) шифруются и загружаются в IPFS, который генерирует криптографический хеш. Этот хеш сохраняется на приватном Ethereum-блокчейне с помощью смарт-контрактов, обеспечивая децентрализованный и неизменяемый доступ. Узлы — университетская администрация, преподаватели, обучающиеся и работодатели — регистрируются в сети с помощью кошельков, содержащих закрытые и публичные ключи. 2. **Прогнозирование результатов с помощью глубокого обучения:** зашифрованные данные обучающихся, полученные через IPFS, проходят предварительную обработку — выбор признаков, замену пропущенных значений (модой и константами), кодирование категориальных данных, нормализацию через MinMaxScaler и снижение размерности с помощью PCA. Затем данные делятся на обучающую (90%) и тестовую (10%) выборки и подаются на вход глубокой нейронной сети, состоящей из входного слоя (10 нейронов), пяти скрытых слоев (каждый по 500 нейронов с ReLU) и выходного слоя из четырех нейронов (статусы: сдан, не сдан, отчислен, с отличием) с функцией softmax и функцией потерь — разреженная категориальная кросс-энтропия. Реализованный на Python, Keras и Sklearn, этот модель дает точность около 91, 29% и ошибку около 0, 18, что превосходит результаты предыдущих исследований на том же наборе данных. 3. **Использование смарт-контрактов:** смарт-контракты, развернутые на Ethereum с помощью Solidity, обеспечивают безопасные взаимодействия: преподаватели загружают задания в IPFS, отправляя хеши с помощью смарт-контрактов студентам; студенты отправляют задания тоже через смарт-контракты; университеты выдают сертификаты, которые надежно хранятся в блокчейне; а работодатели (гости) могут просматривать сертификаты и результаты студентов после утверждения университетом. Эти процессы повышают прозрачность, безопасность и автоматизацию. Реализация включала: - **Архитектуру blockchain:** разработка с использованием Python, Flask и Postman для майнинга блоков, проверки цепочки и добавления транзакций. Участники сети — узлы — регистрируются через MyEtherWallet (MEW), которая управляет кошельками с ключами и адресами. - **Интеграцию блокчейна и глубокого обучения:** IPFS хранит зашифрованные наборы данных с их хешами, закрепленными в блокчейне через смарт-контракты; модель глубокого обучения предсказывает результаты обучающихся на основе защищенных данных; смарт-контракты управляют транзакциями — выдачей заданий, приемом, выдачей сертификатов и доступом к данным. Тестирование подтвердило правильность выполнения функций: регистрация узлов и доступ к кошелькам, хранение и проверка хешей, выдача и получение сертификатов, взаимодействия при обмене заданиями, валидность транзакций и целостность файлов в блокчейне. Результаты показали — данные надежно защищены, неизменяемы и недоступны для изменений. Предложенная система демонстрирует, что интеграция блокчейна с глубоким обучением способна создать безопасную, прозрачную и автоматизированную систему электронного обучения с высокой точностью прогнозов и надежным управлением данными. Такой подход превосходит предыдущие исследования по эффективности и решает задачи защиты данных, верификации обучающихся и автоматизации академических процессов, задавая фундамент для развития будущих умных платформ электронного обучения.