El aprendizaje personalizado es una característica definitoria de la educación actual, con experiencias flexibles y adaptables que responden a los requisitos y enfoques de aprendizaje de los estudiantes individuales. Las implementaciones tradicionales de teorías educativas, como la Teoría del Aprendizaje Experiencial de Kolb, a menudo siguen enfoques basados en reglas, ofreciendo estructuras predefinidas pero careciendo de adaptabilidad ante el comportamiento de los estudiantes que cambia dinámicamente. En contraste, los enfoques basados en IA, como las redes neuronales artificiales (ANN), tienen alta adaptabilidad pero carecen de interpretabilidad. En este trabajo, se desarrolla un nuevo modelo, un modelo de ANN difusa, que combina la lógica difusa con las ANN para hacer recomendaciones de actividades en el proceso de aprendizaje, superando las debilidades actuales del modelo. En la primera etapa, se utiliza la lógica difusa para mapear las dimensiones del estilo de aprendizaje de Kolb en valores de membresía continuos, proporcionando una representación flexible y más fácil de interpretar de los enfoques preferidos de los estudiantes hacia el aprendizaje. Estos pesos difusos se procesan luego en una ANN, lo que permite la refinación y mejora en las recomendaciones de aprendizaje a través del análisis de patrones y el aprendizaje adaptable. Para hacer que las recomendaciones se adapten y desarrollen con el tiempo, se utiliza un Modelo de Suma Ponderada (WSM), combinando tendencias de actividad del estudiante y retroalimentación en tiempo real en recomendaciones de actividades propuestas que se actualizan dinámicamente. La evaluación experimental en un entorno educativo muestra que el modelo genera de manera efectiva experiencias personalizadas y cambiantes para los estudiantes, en armonía con los requisitos de los estudiantes y las tendencias de actividad.