En la educación inteligente, los sistemas de e-learning adaptativos personalizan el proceso educativo al ajustarlo a los estilos de aprendizaje individuales. Tradicionalmente, la identificación de estos estilos depende de que los estudiantes completen encuestas y cuestionarios, lo cual puede ser tedioso y puede no reflejar sus verdaderas preferencias. Además, este enfoque asume que los estilos de aprendizaje son fijos, lo que lleva a un problema de inicio en frío al identificar automáticamente los estilos basados en los comportamientos de la plataforma de e-learning. Para abordar estos desafíos, proponemos un enfoque novedoso que anota la retroalimentación no etiquetada de los estudiantes utilizando modelado de temas de múltiples capas e implementa el Modelo de Estilo de Aprendizaje de Felder-Silverman (FSLSM) para identificar automáticamente los estilos de aprendizaje. Nuestro método implica que los estudiantes respondan a cuatro preguntas basadas en FSLSM al iniciar sesión en la plataforma de e-learning y proporcionen información personal como edad, género y características cognitivas, que se ponderan utilizando lógica difusa. Luego, analizamos los comportamientos y actividades de los estudiantes utilizando técnicas de minería de uso web, clasificando sus secuencias de aprendizaje en estilos específicos con un modelo avanzado de aprendizaje profundo. Además, analizamos la retroalimentación textual utilizando la asignación de Dirichlet latente (LDA) para el análisis de sentimientos con el fin de mejorar aún más la experiencia de aprendizaje. Los resultados experimentales demuestran que nuestro enfoque supera a los modelos existentes en la detección precisa de estilos de aprendizaje y mejora la calidad general de la entrega de contenido personalizado.