Los mecanismos de recomendación adaptativa se utilizan ampliamente para personalizar entornos de aprendizaje digital; sin embargo, muchos enfoques existentes priorizan la optimización algorítmica mientras proporcionan una visión limitada de cómo el comportamiento de recomendación se alinea con artefactos instruccionales estructurados pedagógicamente, como las hojas de trabajo. Para abordar esta brecha, este documento propone un enfoque de recomendación híbrido para la generación adaptativa de hojas de trabajo que integra filtrado basado en contenido y colaborativo con restricciones pedagógicas explícitas derivadas de la Taxonomía Revisada de Bloom. El sistema clasifica y selecciona objetos de aprendizaje y evaluación a través de niveles cognitivos al combinar perfiles de aprendices, señales de comportamiento e información basada en similitud dentro de un marco de puntuación unificado. Se llevó a cabo una evaluación basada en simulaciones para examinar el comportamiento interno, la estabilidad y la alineación instruccional del motor de recomendación bajo condiciones controladas, utilizando hojas de trabajo alineadas con Bloom y perfiles de aprendices sintéticos. El análisis se centra en la alineación esperada-real y la variación adaptativa a través de niveles cognitivos en lugar de los resultados de aprendizaje. Los resultados indican una fuerte alineación con la estructura instruccional prevista en niveles cognitivos más bajos, mientras que surge una variación adaptativa limitada e interpretable en niveles más altos. Las recomendaciones de objetos de evaluación mostraron una alta concordancia con el diseño instruccional, superando el 95% en condiciones simuladas. En general, el estudio demuestra cómo los mecanismos de recomendación híbridos pueden apoyar la selección de contenido adaptativo en escenarios de aprendizaje estructurados pedagógicamente, ofreciendo una base transparente y robusta para sistemas educativos impulsados por información.