En los últimos años, la informatización del sistema educativo ha provocado un aumento sustancial en los datos educativos. La minería de datos educativos puede ayudar a identificar los factores que influyen en el rendimiento de los estudiantes. Sin embargo, han surgido dos desafíos en el campo de la minería de datos educativos: (1) ¿Cómo manejar la abundancia de datos no etiquetados? (2) ¿Cómo identificar las características más cruciales que impactan en el rendimiento estudiantil? En este documento, se propone un marco de selección de características semisupervisado para analizar los factores que influyen en el rendimiento estudiantil. El método propuesto es semisupervisado, lo que permite procesar una cantidad considerable de datos no etiquetados con solo unas pocas instancias etiquetadas. Además, al resolver una matriz de selección de características, se pueden determinar los pesos de cada característica para clasificar su importancia. Además, se emplean varios clasificadores comúnmente utilizados para evaluar el rendimiento del método de selección de características propuesto. Experimentos extensos demuestran la superioridad del enfoque de selección de características semisupervisado propuesto. Los experimentos indican que las características conductuales son significativas para el rendimiento estudiantil, y el método propuesto supera a los métodos de selección de características de vanguardia en aproximadamente un 3.9% al extraer la característica más importante.