Este estudio evalúa el impacto de incorporar un mecanismo de aprendizaje adaptativo en un modelo basado en agentes que simula el comportamiento en un campus universitario durante un brote pandémico, con el caso particular de la pandemia de COVID-19. Nuestro modelo no solo captura el comportamiento individual, sino que también sirve como una herramienta poderosa para evaluar la eficacia de políticas geolocalizadas para abordar el hacinamiento e infecciones en el campus. El objetivo principal es demostrar la efectividad del RL en representar el comportamiento de los agentes y optimizar las políticas de control a través de la toma de decisiones adaptativas en respuesta a la evolución de la dinámica pandémica. Al implementar RL, identificamos diferentes patrones temporales de violaciones de hacinamiento, arrojando luz sobre la complejidad del comportamiento humano en entornos semi-cerrados. Si bien logramos reducir el hacinamiento en el campus, el estudio reconoce su impacto limitado en alterar el curso de la pandemia, subrayando la importancia de estrategias integrales de control epidémico. Nuestra investigación contribuye a la comprensión del aprendizaje adaptativo en sistemas complejos y proporciona ideas para dar forma a futuras políticas de salud pública en entornos comunitarios similares. Enfatiza la importancia de considerar la toma de decisiones individual influenciada por el aprendizaje adaptativo, implementar intervenciones dirigidas y el papel de los elementos geoespaciales en el control de pandemias. Las futuras direcciones de investigación incluyen explorar diferentes configuraciones de parámetros y actualizar las representaciones de la historia natural de la enfermedad para mejorar la aplicabilidad de estos hallazgos. Este estudio ofrece información valiosa sobre la gestión de pandemias en entornos comunitarios y destaca la necesidad de estrategias de control multifacéticas.