Е-навчання зазнало істотних змін, особливо під час криз, таких як пандемія COVID-19, коли воно стало необхідним у всьому світі. ЮНЕСКО затвердило кілька відомих платформ електронного навчання як швидке рішення, але їх не рекомендували використовувати як довгострокові засоби через низку проблем, які впливають на процес навчання. Останні дослідження вирішували ці виклики за допомогою штучного інтелекту (ШІ), технологій глибокого навчання та блокчейну. ШІ та глибоке навчання спрямовані на підвищення точності оцінки результатів студентів, тоді як блокчейн і смарт-контракти допомагають боротися з проблемами фальшивих сертифікатів, маніпуляцій з результатами та відслідковування активності студентів. Хоча обидві технології мають великий потенціал, мало досліджень вивчали їхню інтеграцію у системи електронного навчання, через що ця робота пропонує розробити розумну структуру, яка поєднує блокчейн і глибоке навчання для забезпечення безпеки та підвищення ефективності систем електронного навчання шляхом гарантування цілісності даних, прозорості і автоматизації. Ця структура зберігає дані студентів у безпечному вигляді на блокчейні за допомогою міжпланетної файлової системи (IPFS) для децентралізованого зберігання великих файлів, забезпечуючи цілісність даних та їхню конфіденційність через приватні гаманці Ethereum. Моделі глибокого навчання аналізують ці захищені дані для точної прогнозування академічних результатів. Смарт-контракти спрощують видачу сертифікатів університетами, записуючи їх у незмінному вигляді на блокчейні, доступному вузлам мережі, що підвищує автоматизацію, безпеку та довіру між студентами, викладачами та роботодавцями. Блокчейн забезпечує незмінне, з штампом часу, безпечне та прозоре зберігання даних у розподіленій мережі peer-to-peer без централізованого управління. Ethereum, що за ринковою капіталізацією поступається лише Bitcoin, підтримує програмовані смарт-контракти через Віртуальну Машину Ethereum (EVM) із використанням Solidity, що дозволяє виконувати умовні та автоматичні транзакції значно більш гнучко, ніж Bitcoin. Смарт-контракти автоматично виконують умови договору після їхнього попереднього визначення й фіксують усі дії у незмінній формі на блокчейні. Оскільки блокчейни не підходять для зберігання великих файлів, використовуються поза ланцюгом рішення збереження, такі як IPFS, Storj і FileCoin. IPFS особливо відомий тим, що шифрує і розподіляє великі файли у мережі peer-to-peer, створюючи контент-адресовані хеші, які підтверджують цілісність даних і доступ до них, хоча контроль доступу залишається викликом. IPFS тут важливий для безпечного зберігання великих обсягів даних студентів та зв’язку з транзакціями у блокчейні через хеші. Глибоке навчання, зокрема штучні нейронні мережі (ШНМ), натхненні біологічним мозком, складається з кількох шарів — вхідного, прихованих і вихідних, які навчаються через прямий поширення, обчислення помилок і зворотне поширення за кілька епох. Глибокі нейронні мережі (ГНМ) з багатьма прихованими шарами забезпечують високу точність прогнозів. У цій роботі використано такі моделі для обробки даних студентів, що зберігаються через блокчейн і IPFS, для точної оцінки результатів. Раніші дослідження використовували глибоке навчання для прогнозування академічних результатів, зокрема передбачення відсотка студентів, що випадають із Massive Open Online Courses (MOOCs), із використанням рекурентних і згорткових нейронних мереж із підвищеною точністю порівняно з класичними методами. Інші застосовували двонаправлені довгі короткострокові пам’яті (LSTM) для прогнозування випадання студентів, а моделі глибокого навчання успішно передбачали результати у невеликих, дисбалансних наборах даних із високою точністю. Пропонована структура працює у три етапи: 1.

**Збереження даних студентів на блокчейні:** Дані з набора “Open University Learning Analytics” (32 593 записів з демографічних даних і віртуальною взаємодією) шифруються та зберігаються в IPFS, що генерує криптографічний хеш. Цей хеш зберігається у приватному Ethereum-блокчейні через смарт-контракти, що забезпечує децентралізований і незмінний доступ. Вузли — адміністрація університету, викладачі, студенти та гості (роботодавці) — реєструються в мережі через гаманці з приватними та публічними ключами. 2. **Прогнозування результатів за допомогою глибокого навчання:** Зашифровані дані студентів, отримані через IPFS, проходять первинну обробку, що включає відбір ознак, заміну відсутніх значень (за допомогою моди та констант), кодування категорійних даних, нормалізацію через MinMaxScaler і зменшення розмірності за допомогою PCA. Потім дані розбиваються на навчальну (90%) і тестову (10%) вибірки й вводяться у глибоку нейронну мережу з вхідним шаром (10 нейронів), п’ятьма прихованими шарами (по 500 нейронів, ReLU) та вихідним шаром із чотирма нейронами, що відповідають статусам: здобув/не здобув/зняв/відмінно. Використовуються функції активації softmax і втрата «розріджений категоріальний крос-ентропійний». Ця модель, реалізована у Python, Keras і Sklearn, досягає високої точності (~91, 29%) і низької втрати (~0, 18), перевищуючи результати попередніх досліджень. 3. **Використання смарт-контрактів:** Смарт-контракти, розроблені на Solidity для Ethereum, забезпечують безпечну взаємодію між вузлами: викладачі завантажують завдання в IPFS і передають хеші файлів студентам; студенти надсилають завдання через смарт-контракти; університети видають сертифікати, що зберігаються у незмінному вигляді на блокчейні; роботодавці отримують доступ до сертифікатів і результатів студентів після схвалення університету. Це забезпечує прозорість, безпеку та автоматизацію процесів. Реалізація включала: - **Архітектура блокчейну:** створена за допомогою Python, Flask та Postman для майнінгу блоків, перевірки цілісності ланцюга і додавання транзакцій. Вузли — децентралізовані і реєструються через MyEtherWallet (MEW), що контролює гаманці з ключами і адресами. - **Інтеграція блокчейну і глибокого навчання:** IPFS зберігає зашифровані набори даних з їхніми хешами, захищеними на Ethereum через смарт-контракти. Модель глибокого навчання передбачає результати студентів із використанням безпечних даних. Смарт-контракти керують транзакціями — розподіл завдань, їхню здачу, видачу сертифікатів і доступ до даних. Тестування підтвердило функціональність реєстрації вузлів, доступу до гаманців, зберігання та перевірки хешів, видачі і отримання сертифікатів, взаємодію з завданнями та цілісність файлів у блокчейні. Результати тестів засвідчили незмінність і захищеність даних і гладкість роботи через смарт-контракти. Запропонована структура демонструє, що інтеграція блокчейну з глибоким навчанням може створити безпечну, прозору та автоматизовану систему електронного навчання з високою точністю прогнозів і ефективним управлінням даними. Такий підхід вирішує проблеми безпеки даних, верифікації студентів і автоматичного виконання академічних процесів, закладаючи основу для майбутніх розумних платформ електронного навчання.