Comprender los procesos de aprendizaje de los estudiantes y los fenómenos relacionados con la educación mediante la extracción de conocimiento de conjuntos de datos educativos representa un interés continuo en el ámbito de la minería de datos educativos. Debido a una expansión acelerada del aprendizaje en línea y la digitalización en la educación, hay un creciente interés en comprender el impacto del aprendizaje en línea en el rendimiento académico de los estudiantes. En este estudio, investigamos de manera comparativa métodos de aprendizaje en línea tradicionales y sincrónicos para evaluar el rendimiento de los estudiantes a través del uso de autoencoders profundos. Los experimentos realizados en conjuntos de datos reales recopilados en entornos de aprendizaje en línea y tradicionales mostraron que los autoencoders son capaces de detectar patrones ocultos en conjuntos de datos académicos de forma no supervisada; estos patrones son valiosos para la predicción del rendimiento de los estudiantes. Los resultados obtenidos enfatizaron que, para los casos de estudio considerados, las evaluaciones tradicionales son un poco más precisas que las evaluaciones en línea. Sin embargo, después de aplicar una prueba de rango con signo de Wilcoxon de una cola, no se observó una diferencia estadísticamente significativa entre las evaluaciones tradicionales y en línea.