El inicio de la pandemia de COVID-19 ha obligado a una rápida transformación en las metodologías de educación superior, particularmente en el ámbito de la modalidad de los cursos. Este estudio destaca el potencial de la inteligencia artificial y el aprendizaje automático para mejorar la toma de decisiones en la educación en ingeniería avanzada. Nos enfocamos en el potencial de grandes conjuntos de datos existentes para alinear las decisiones institucionales con las preferencias de estudiantes y profesores ante los cambios rápidos en los enfoques de enseñanza provocados por la pandemia de COVID-19. Para determinar las preferencias de los estudiantes y los instructores respecto a las modalidades de clase en diversos cursos, utilizamos el marco conceptual de Sistemas Embebidos en Procesos Cognitivos y e-learning. Este marco delimita efectivamente el proceso de ejecución de tareas dentro del ámbito de entornos de aprendizaje mejorados por la tecnología tanto para estudiantes como para instructores. Este estudio se llevó a cabo en siete universidades iraníes y sus departamentos de STEM, examinando sus preferencias por diferentes estilos de aprendizaje. Después de analizar las variables mediante diferentes métodos de selección de características, utilizamos tres métodos de aprendizaje automático: árboles de decisión, máquinas de soporte vectorial y bosques aleatorios, para un análisis comparativo. Los resultados demostraron el alto rendimiento del modelo de bosques aleatorios en la predicción de preferencias de estilo curricular, convirtiéndolo en una poderosa herramienta de toma de decisiones en el cambiante panorama educativo post-COVID-19. Este estudio no solo demuestra la efectividad del aprendizaje automático en la predicción de preferencias educativas, sino que también contribuye a comprender el papel del aprendizaje autorregulado en la política educativa y la toma de decisiones en la educación superior.