Esta investigación se basa en una revisión sistemática de enfoques de aprendizaje automático (ML) para la evaluación de la carga cognitiva (CL) de aplicaciones para la formación de operadores de sistemas aéreos no tripulados (UAS). La revisión sintetiza evidencia sobre cómo se han aplicado técnicas de ML para evaluar la CL utilizando diversas fuentes de datos, incluyendo señales fisiológicas (por ejemplo, EEG, HRV), medidas de comportamiento (por ejemplo, seguimiento ocular) e indicadores de rendimiento. Destaca la efectividad de modelos como Máquinas de Vectores de Soporte (SVM), Bosques Aleatorios (RF) y arquitecturas avanzadas de aprendizaje profundo (DL) como Memoria a Largo y Corto Plazo (LSTM), así como cómo el uso de diferentes métodos afecta el rendimiento de los modelos de ML, con estudios que reportan precisiones de hasta el 98%. Los hallazgos también indican que, en comparación con los enfoques tradicionales de formación de UAS, los enfoques de ML pueden mejorar la formación al proporcionar una evaluación adaptativa, siendo factores metodológicos como la selección de modelos, el preprocesamiento de datos y la validación centrales para el rendimiento de la evaluación de ML. Estos hallazgos destacan el valor de una evaluación precisa de la CL como base para sistemas de formación adaptativa, apoyando un mejor rendimiento de los operadores de UAS y la seguridad operacional. Al consolidar los conocimientos metodológicos e identificar lagunas en la investigación, esta revisión proporciona información de fondo valiosa para avanzar en la evaluación de CL basada en ML y su integración en sistemas de formación adaptativa para operadores de UAS para mejorar la formación de los operadores de UAS.