Este estudio examina la creciente preocupación por la satisfacción laboral de los docentes, que tiene un impacto directo en la retención, la calidad de la enseñanza y los resultados de los estudiantes. Tradicionalmente, la satisfacción de los docentes se ha evaluado a través de cuestionarios, que presentan limitaciones en términos de eficiencia de datos y análisis. En este estudio, se aplicaron técnicas de aprendizaje automático a los datos del cuestionario de docentes de PISA 2022 en Marruecos (N = 2998 docentes de educación secundaria inferior). Se definieron dos objetivos de clasificación multiclas: la satisfacción laboral general (SATJOB_class) y la satisfacción con la profesión docente (SATTEACH_class), cada una categorizada en tres clases equilibradas: baja (<-0.5), media (-0.5 a 0.5) y alta (>0.5). La metodología comprendió cuatro etapas clave. Inicialmente, se realizó un preprocesamiento exhaustivo para abordar los valores faltantes, conservando características con menos de 300 entradas faltantes y aplicando imputación por moda. Posteriormente, se evaluaron nueve clasificadores, incluyendo regresión logística, K-vecinos más cercanos, Bayes ingenuo multinomial, máquina de soporte vectorial, árbol de decisión, bosque aleatorio, XGBoost, AdaBoost y una red neuronal artificial de avance, utilizando divisiones de entrenamiento/prueba idénticas y ajuste de hiperparámetros. En tercer lugar, se evaluó el rendimiento del modelo utilizando precisión, exactitud, recuperación y puntuación F1. Finalmente, la importancia de las características se derivó de métodos basados en árboles y permutación. Los resultados indicaron que XGBoost superó a los otros modelos para SATJOB_class con una precisión (0.61), exactitud (0.62), recuperación (0.61) y puntuación F1 (0.61), seguido por Bosque Aleatorio (exactitud = 0.59), Regresión Logística (exactitud = 0.59) y AdaBoost (exactitud = 0.59). Para SATTEACH_class, Bosque Aleatorio lideró con una precisión (0.59), seguido de cerca por XGBoost (0.58), ANN (0.57) y AdaBoost (0.56). Los principales predictores de la satisfacción laboral de los docentes incluyeron variables relacionadas con la carga de trabajo y factores del entorno escolar, que surgieron consistentemente como las características más importantes en los modelos de mejor rendimiento. La metodología y el pipeline de código abierto proporcionan un marco reproducible para intervenciones basadas en evidencia para mejorar la retención de docentes y la calidad de la enseñanza, ofreciendo valiosos conocimientos para los responsables de políticas y administradores educativos.