El artículo informa sobre una plataforma de recomendación de libros bilingüe e interpretable para escolares. Esta plataforma utiliza un algoritmo ligero de K-Vecinos Más Cercanos combinado con gamificación y análisis de aprendizaje. Esta aplicación ha sido diseñada para un entorno de aprendizaje bilingüe en Kazajistán, apoyando el aprendizaje en los idiomas kazajo y ruso, y está destinada a mejorar el compromiso con la lectura a través de una personalización culturalmente ajustada. El motor de recomendación combina contenido y filtrado colaborativo al aprovechar datos estructurados de libros (géneros, rangos de edad objetivo, autores, idiomas y semántica) y atributos del aprendiz (idioma de instrucción, preferencias e historial del aprendiz). Una función de clasificación híbrida combina la similitud con el usuario y la similitud del ítem para producir recomendaciones top-N, mientras que los elementos de gamificación (puntos, logros y desafíos de lectura) se utilizan para fomentar una actividad sostenida. Los paneles de control de los maestros muestran la actividad de lectura general y el progreso de los aprendices a través de la visualización de datos en tiempo real. La calibración inicial del modelo se llevó a cabo utilizando una colección de libros de código abierto que consta de 5197 ítems. Posteriormente, el modelo fue modificado para una colección bilingüe curada de 600 libros destinados a su uso en instituciones educativas en los idiomas kazajo y ruso. El experimento de validación se llevó a cabo en una prueba piloto que involucró a 156 niños. El resultado experimental sugiere un nivel estable de recomendación en términos de los valores de Precision@10 y Recall@10 de 0.71 y 0.63 respectivamente. La complejidad computacional se mantuvo baja. Además, la técnica de normalización bilingüe aumentó la relevancia de las recomendaciones de ítems en idiomas no mayoritarios en un 12.4%. En conclusión, el enfoque propuesto presenta un marco escalable y transparente para la personalización de la lectura asistida por IA en sistemas de e-learning bilingües. La investigación futura se centrará en interfaces de recomendación transparentes y un modelado del aprendiz más adaptativo.