E-lärande har genomgått en betydande förändring, särskilt tydlig under kriser som COVID-19-pandemin, då det blev avgörande globalt. UNESCO godkände olika etablerade plattformar för e-lärande som snabba lösningar, men dessa rekommenderades inte som långsiktiga lösningar på grund av flera utmaningar som påverkar lärandeprocesserna. Nya studier har tagit itu med dessa utmaningar med hjälp av artificiell intelligens (AI), djupinlärning och blockchain-teknologier. AI och djupinlärning fokuserar på att förbättra utvärdering av elevprestationer, medan blockchain och smarta kontrakt hjälper till att bekämpa problem som falska certifikat, resultats manipulation och spårning av elevaktivitet. Även om båda teknologierna visar stark potential finns det få studier som utforskar deras integration inom e-lärande, vilket ledde till denna studie som föreslår ett smart ramverk som kombinerar blockchain och djupinlärning för att säkra och förbättra e-lärandesystem genom att säkerställa datasäkerhet, transparens och automatisering. Detta ramverk lagrar elevdata säkert på blockchain med hjälp av Interplanetary File System (IPFS) för decentraliserad lagring av stora filer, vilket garanterar dataintegritet och sekretess via privata Ethereum-wallets. Djupinlärningsmodeller analyserar sedan dessa säkrade data för att förutsäga akademisk prestation exakt. Smarta kontrakt underlättar certifikatuppdelning av universitet, där certifikaten oväntbart registreras på blockchain och är tillgängliga för nätverksnoder, vilket ökar automatisering, säkerhet och förtroende mellan elever, lärare och arbetsgivare. Blockchain erbjuder oföränderliga, tidsstämplade, säkra och transparenta datalagringslösningar inom ett distribuerat peer-to-peer-nätverk utan central myndighet. Ethereum, näst efter Bitcoin i marknadsvärde, stödjer programmerbara smarta kontrakt via Ethereum Virtual Machine (EVM) med hjälp av Solidity, vilket möjliggör villkorade och automatiserade transaktioner långt bortom Bitcoins kapacitet. Smarta kontrakt automatiserar verkställigheten av kontraktsvillkoren när fördefinierade villkor uppfylls och registrerar alla transaktioner oföränderligt på blockchain. Eftersom blockchains inte är lämpliga för stora filer används lösningar för off-chain-lagring såsom IPFS, Storj och FileCoin. IPFS är särskilt anmärkningsvärt för att kryptera och distribuera stora filer peer-to-peer, vilket skapar content-addressed hashes som verifierar dataintegritet och åtkomst, även om tillgångskontroll fortfarande utgör en utmaning. IPFS är viktigt här för att lagra omfattande elevdata säkert samtidigt som det länkar till blockchaintransaktioner via hashes. Djupinlärning, särskilt artificiella neurala nätverk (ANNs) inspirerade av biologiska hjärnor, består av flera lager—inklusive indata-, dolda- och utdata-lager—som lär sig genom framåtriktad propagation, felberäkning och backpropagation under flera epoker. Djupa neurala nätverk (DNN) med flera dolda lager förbättrar prediktionsnoggrannheten. Denna studie använder dessa modeller för att bearbeta elevdata lagrade via blockchain och IPFS, vilket möjliggör exakta prestationsförutsägelser. Flera tidigare studier har använt djupinlärning för att förutsäga utbildningsresultat, inklusive studentavhopp i Massive Open Online Courses (MOOCs) med hjälp av rekurrenta och konvolutionella neurala nätverk, vilket har gett bättre noggrannhet än traditionella metoder. Andra har använt bidirektionella LSTM-nätverk för avhoppsförutsägelser, och djupinlärningsmodeller har framgångsrikt förutsagt studentprestationer i små, obalanserade dataset med hög precision. Det föreslagna ramverket opererar i tre faser: 1.

**Lagring av elevdata på blockchain:** Data från "Open University Learning Analytics"-datasetet (32 593 poster med demografi och virtuella lärandeinteraktioner) krypteras och lagras på IPFS, som genererar en kryptografisk hash. Denna hash lagras på ett privat Ethereum-blockchain med hjälp av smarta kontrakt, vilket möjliggör decentraliserad, oföränderlig tillgång. Noder—inklusive universitetets administration, lärare, elever och gäster (arbetgivare)—registrerar sig i blockchain-nätverket med hjälp av wallets som innehåller privata och publika nycklar. 2. **Djupinlärningsbaserad prestationsförutsägelse:** Den krypterade elevdatan hämtad via IPFS genomgår förbehandling, inklusive funktionsval, ersättning av saknade värden (med modus och konstanter), kodning av kategoriska data, normalisering med MinMaxScaler och dimensionreduktionsmetoden Principal Component Analysis (PCA). Datasetet delas (90 % för träning, 10 % för test) och matas in i ett djupt neuralt nätverk med indata-lager (10 neuroner), fem dolda lager (varje med 500 neuroner och ReLU-aktivering) och ett utdata-lager med fyra neuroner (för att representera godkänd, underkänd, avhopp och utmärkelse) med softmax-aktivering och sparse categorical cross-entropy som förlustfunktion. Modellen, implementerad i Python, Keras och Sklearn, uppnår hög noggrannhet (~91, 29 %) och låg förlust (~0, 18), vilket överträffar tidigare studier på samma dataset. 3. **Användning av smarta kontrakt:** Smarta kontrakt som deployeras via Solidity på Ethereum möjliggör säkra interaktioner mellan noder: lärare laddar upp uppgifter till IPFS och skickar filhashar via smarta kontrakt till elever; elever lämnar in uppgifter via smarta kontrakt; universitetet utfärdar certifikat som registreras oförändrat på blockchain; och arbetsgivare (gäster) kan komma åt elevernas certifikat och prestationsdata efter godkännande från universitetet. Dessa processer säkerställer transparens, säkerhet och automatisering. Implementeringen omfattade: - **Blockchain-arkitektur:** Utvecklad med Python, Flask och Postman för att bryta block, validera kedjan och lägga till transaktioner. Noder är decentraliserade och registreras via MyEtherWallet (MEW), som ger hantering av wallets med nycklar och adresser. - **Integration av Blockchain och djupinlärning:** IPFS lagrar krypterade dataset med tillhörande hashes säkerställda på Ethereum blockchain via smarta kontrakt. Djupinlärningsmodellen förutspår elevprestanda utifrån säkrad data. Smarta kontrakt hanterar transaktioner, inklusive distribution av uppgifter, inlämning, certifikatuppdelning och datatillgång. Testfaserna verifierar funktionalitet som nodregistrering, wallet-åtkomst, lagring och verifiering av hashes, utfärdande och hämtning av certifikat, interaktioner om uppgifter, transaktionsgiltighet samt filintegritet på blockchain. Resultaten bekräftar data- och transaktions oföränderlighet samt smidiga interaktioner via smarta kontrakt. Det föreslagna ramverket visar att integrationen av blockchain och djupinlärning kan skapa ett säkert, transparent och automatiserat e-lärandesystem med hög prediktionsnoggrannhet och robust databehandling, vilket överträffar tidigare studiers effektivitet. Denna metod hanterar utmaningar som datasäkerhet, elevverifiering och automatisering av akademiska processer, och lägger grunden för framtidens smarta e-lärandemiljöer.