Este estudio investiga la capacidad de las redes neuronales recurrentes (RNN), específicamente arquitecturas LSTM, para predecir estados de sobrecarga cognitiva en estudiantes de secundaria que utilizan interfaces de realidad extendida. Mediante la recolección de datos de conductancia cutánea y seguimiento ocular, se desarrolló un algoritmo capaz de identificar el momento exacto en que la complejidad lingüística de un texto digital supera la capacidad de procesamiento del usuario. Los resultados demuestran que el ajuste dinámico del contenido, basado en estas predicciones en tiempo real, mejora la retención de información a largo plazo en un 35% en comparación con entornos de aprendizaje estáticos.
