Clasificación del rendimiento académico de estudiantes de ingeniería en la educación en línea mediante aprendizaje automático: aspectos afectivos, cognitivos y conductuales Gulsum Asiksoy - Facultad de Educación Atatürk, Departamento de Educación y Tecnología Educativa, Universidad del Cercano Oriente, Chipre del Norte, vía Mersin 10, Turquía (TR), Didem Islek - Facultad de Educación Atatürk, Departamento de Currículo e Instrucción, Universidad del Cercano Oriente, Chipre del Norte, vía Mersin 10, Turquía (TR). Resumen En el entorno de aprendizaje en línea, que evoluciona rápidamente, la predicción precisa del rendimiento académico de los estudiantes desempeña un papel importante en la mejora de la calidad de la educación y de los resultados académicos generales. Este estudio investigó la eficacia de los algoritmos de aprendizaje automático en la clasificación del rendimiento académico de los estudiantes en cursos en línea, basándose en factores afectivos, cognitivos y conductuales, con el objetivo de desarrollar estrategias de enseñanza e intervenciones más eficaces para favorecer el éxito académico. Se utilizó un conjunto de datos de 485 estudiantes de ingeniería que cursaron la asignatura de Física Astronómica en una universidad privada durante los semestres de otoño y primavera del curso académico 2022-2023. Estos datos se emplearon para entrenar y evaluar seis algoritmos de aprendizaje automático: máquinas de vectores de soporte (SVM), K vecinos más cercanos (KNN), clasificador Naive Bayes (NB), regresión logística, árbol de decisión y bosque aleatorio (Random Forest). El algoritmo de bosque aleatorio obtuvo la mayor precisión de clasificación (87 %), clasificando correctamente al 87 % de los estudiantes en una de las tres categorías de rendimiento académico: alto, medio o bajo. Además, el estudio determinó que la ansiedad y las expectativas son los factores más influyentes en la mejora del rendimiento académico de los estudiantes en los cursos en línea, mientras que el aislamiento social constituye el factor de menor influencia. Los resultados sugieren que el aprendizaje automático puede clasificar eficazmente el rendimiento académico de los estudiantes en cursos en línea, incluso utilizando un conjunto limitado de características. Esto permite a los docentes mejorar las estrategias de enseñanza y las intervenciones educativas, proporcionando un apoyo más adecuado a los estudiantes para favorecer su éxito académico.