Hoy en día, el e-learning y el aprendizaje basado en la web son los métodos de aprendizaje nuevos más integrados en escuelas, colegios e instituciones de educación superior. El reciente enfoque metodológico de aprendizaje basado en la búsqueda en la web ha ayudado a los usuarios en línea (aprendices) a buscar los temas requeridos en los recursos en línea disponibles. Los aprendices extrajeron conocimiento de formatos textuales, de video y de imagen a través de la búsqueda en la web. Esta investigación analiza la atención significativa de los aprendices al buscar la información requerida en línea y desarrolla un nuevo sistema de recomendación utilizando aprendizaje automático (ML) para realizar la búsqueda en la web. La navegación y los movimientos oculares de los aprendices se registran utilizando sensores. El modelo propuesto analiza automáticamente los intereses de los aprendices mientras realizan búsquedas en línea y el origen de la información adquirida y aprendida. El modelo de ML mapea los contenidos textuales y de video y obtiene una mejor recomendación. El modelo propuesto analiza y rastrea el uso de recursos en línea y comprende los siguientes pasos: registro de información, procesamiento de información y operaciones de mapeo de palabras. El conocimiento de los aprendices sobre los recursos en línea capturados mediante los sensores se analiza para mejorar el tiempo de respuesta, la selectividad y la sensibilidad. En promedio, los aprendices pasaron más horas accediendo a la información de video y textual y menos horas accediendo a las imágenes. El porcentaje de participantes que abordaron los dos cuestionarios de diferentes temas, Q1 y Q2, aumentó cuando los aprendices intentaron el cuestionario después de la búsqueda en la web; el 43.67% de los aprendices abordó el cuestionario Q1 antes de completar la búsqueda en la web, y el 75.92% abordó el cuestionario Q2 después de la búsqueda en la web. El análisis del conteo promedio de palabras correspondiente a texto, videos, texto o video superpuestos y recursos comprensivos indica que el modelo propuesto también se puede aplicar para un entorno de aprendizaje en línea de búsqueda continua en múltiples sesiones. El análisis experimental indica que se obtienen mejores medidas para el recomendador propuesto utilizando sensores y ML en comparación con otros métodos en términos de recuperación, puntuación de clasificación y precisión. El modelo propuesto logra una precisión del 27% cuando el tamaño de la recomendación se convierte en 100. El error cuadrático medio (RMSE) se encuentra entre el 8% y el 16% cuando el número de aprendices es < 500, y el valor máximo de RMSE es del 21% cuando el número de aprendices alcanza 1500. El modelo de recomendación propuesto logra mejores resultados que los métodos de última generación.