El uso de la lógica difusa para evaluar el conocimiento de los estudiantes no es un concepto completamente nuevo. Sin embargo, a pesar de tratar con una gran cantidad de datos, los métodos estadísticos tradicionales han sido típicamente el enfoque preferido. Muchos estudios han argumentado que los métodos de aprendizaje automático podrían ofrecer una alternativa viable para analizar grandes cantidades de datos. Por lo tanto, este estudio presenta hallazgos de un análisis de regresión de Random Forest (RF) para comprender la influencia de los factores demográficos en los logros de los estudiantes, es decir, las calificaciones otorgadas por los profesores, los resultados de los estudiantes en la evaluación nacional y las calificaciones difusas, que se obtuvieron como una combinación de ambos. El análisis de RF mostró que los factores demográficos tienen un poder predictivo limitado para las calificaciones asignadas por los profesores, a diferencia de las puntuaciones de INVALSI y las calificaciones difusas. El tipo de escuela, la macroregión y el ESCS son predictores influyentes, mientras que el género y el origen tienen un impacto menor. El estudio destaca las disparidades regionales y socioeconómicas, que influyen tanto en los resultados de los estudiantes como en las calificaciones difusas, subrayando la necesidad de una educación equitativa. Sorprendentemente, el impacto del género en los logros es menor, posiblemente debido a políticas centradas en el género. Aunque el estudio reconoce limitaciones, su integración de la lógica difusa y el aprendizaje automático sienta las bases para futuras investigaciones y recomendaciones de políticas, abogando por enfoques de evaluación diversificados y la formulación de políticas basadas en datos.