El modelo de aprendizaje basado en proyectos en periodismo y comunicación enfrenta desafíos de escasos datos de comportamiento multimodal y retrasos en las intervenciones docentes, lo que dificulta la percepción de los estados de los estudiantes y la optimización de decisiones en tiempo real. Este estudio tiene como objetivo construir un marco de soporte de decisión inteligente que integre la minería de datos educativos (EDM) y el aprendizaje por refuerzo profundo (DRL) para abordar estos problemas. Una red de memoria a largo y corto plazo bidireccional (Bi-LSTM) modela secuencias de comportamiento, mientras que una red generativa adversarial condicional (cGAN) con optimización de Wasserstein mejora los datos de estudiantes con baja actividad. Las características extraídas y aumentadas se alimentan a una Red Doble de Q (DQN) para generar estrategias de intervención docente adaptativas. Los resultados experimentales de un estudio de 26 semanas muestran que el marco propuesto mejoró la coincidencia de rutas de aprendizaje personalizadas del 0.42 al 0.68, aumentó el dominio del conocimiento del 40.46% al 77.13% y redujo la latencia de intervención de 210.5 min a 144.6 min. Los resultados demuestran que la fusión de EDM y DRL puede lograr una toma de decisiones eficiente y adaptativa, proporcionando un enfoque viable para el soporte docente inteligente en la educación en periodismo y comunicación.