En un entorno de e-learning, los niveles de preguntas se basan en la Taxonomía de Bloom (BT), que normalmente clasifica los objetivos de aprendizaje de un curso en diversos niveles. Según la literatura previa, el procedimiento de evaluación carece de precisión y resulta en palabras clave redundantes al asignar automáticamente las categorías taxonómicas de Bloom utilizando un enfoque basado en palabras clave. Estas evaluaciones se consideran desafiantes para los estudiantes basados en e-learning, ya que la alimentación de texto es la única parte instrumental de la prueba. Las evaluaciones de los estudiantes se limitan a preguntas de opción múltiple y carecen de una evaluación de las entradas textuales de los estudiantes. Este documento propone un modelo inteligente de aprendizaje profundo basado en procesamiento de lenguaje natural que se basa en evaluaciones cognitivas paramétricas. Al aplicar etiquetas de clase a las respuestas descriptivas de los estudiantes, el enfoque propuesto ayuda a clasificar una variedad de preguntas mapeadas a los niveles de BT. La primera contribución de este trabajo es un conjunto de datos compilado de los ítems de evaluación de 300 estudiantes, quienes fueron evaluados en 20 preguntas en cada nivel. Cada nivel se calcula combinando las respuestas de todos los estudiantes, resultando en 6000 preguntas por nivel cognitivo para un total de 36,000 registros. La segunda contribución es el desarrollo de un modelo inteligente basado en una red neuronal recurrente (RNN), que no solo predice el nivel de pregunta de Bloom, sino que también lo aprende a través de iteraciones adicionales. Se accede a las respuestas textuales de los estudiantes para medir el rendimiento utilizando un conjunto de preguntas refinado recopilado a través del modelo RNN. El conjunto de datos de los estudiantes se mapea y se prueba utilizando el modelo de PLN para una clasificación adicional de los niveles cognitivos de los estudiantes. Esta evaluación está relacionada con la formulación de preguntas y la compilación del Episodio 2 para la evaluación. La tercera contribución es la comparación y demostración de las mejoras en el aprendizaje utilizando una evaluación cognitiva basada en parámetros de manera episódica. Se logró una mayor precisión de clasificación al agregar más capas de procesamiento basadas en el modelo de aprendizaje iterativo y basado en RNN para alcanzar la diferencia de umbral vital. La clasificación del conjunto de preguntas basadas en cognición lograda por RNN resulta en un 98% de precisión. Las evaluaciones de los estudiantes resultantes, basadas en el rendimiento, aumentaron a una tasa de precisión del 92.16% y una tasa de precisión del 92.36% a un nivel agregado basado en el clasificador de Bosque Aleatorio. Afirmamos que nuestro trabajo sirve como una iniciativa para evaluaciones efectivas de estudiantes en entornos interactivos y basados en e-learning al manejar otros tipos de entradas, como entradas matemáticas, gráficas y multimodales.