Recomendar cuestionarios en sistemas de e-Learning siempre representa una tarea desafiante, ya que la calidad de las recomendaciones puede tener un gran impacto en el progreso del estudiante. Proponemos un flujo de trabajo de análisis de datos basado en la construcción de múltiples pilas de modelos que utilizan información de cuestionarios realizados por antiguos estudiantes. La implementación actual utiliza el algoritmo para construir los modelos en un conjunto de datos del mundo real que ha sido obtenido en un entorno controlado. Como técnicas de preprocesamiento, hemos utilizado normalización y discretización de tal manera que los datos de entrenamiento se han utilizado para tareas de clasificación y regresión. En tiempo de ejecución, los modelos se consultan para clasificar al estudiante e inferir un cuestionario óptimo personalizado para el alumno. Hemos evaluado la precisión parametrizada en el número previo de cuestionarios y encontramos que un posible marco de tiempo óptimo para cada clase de estudiantes debería ser utilizado y podría proporcionar cuestionarios más útiles.