La división de la recuperación en múltiples etapas ha evolucionado para equilibrar la eficiencia y la efectividad entre varios modelos de clasificación. Se utilizan modelos más rápidos pero menos precisos para recuperar resultados de todo el corpus. Modelos más lentos pero más precisos refinan la clasificación dentro de la lista de los principales candidatos. Este estudio propone un método de aprendizaje para clasificar en múltiples etapas (MultiLTR). MultiLTR aplica técnicas de aprendizaje para clasificar en múltiples etapas. Incorpora texto de diferentes campos, como títulos, contenido del cuerpo y resúmenes, para producir una clasificación más completa y precisa. MultiLTR refina iterativamente la precisión de la clasificación a través de fases de procesamiento secuenciales. Selecciona dinámicamente los clasificadores de mejor rendimiento de un diverso grupo de candidatos en cada etapa. Se realizaron experimentos en conjuntos de datos de referencia, MQ2007 y MQ2008, utilizando tres categorías de algoritmos de aprendizaje para clasificar. Los resultados demuestran que MultiLTR supera a los enfoques de clasificación de última generación, particularmente en tareas de clasificación basadas en campos. Este estudio mejora la precisión de la clasificación y ofrece nuevas perspectivas para mejorar las estrategias de clasificación en múltiples etapas.