En el campo de la educación, la evaluación del rendimiento de aprendizaje de un estudiante se basa en sus calificaciones finales del curso. Pocas personas se preocupan por lo que hay detrás de los números. La mayoría de las veces, las calificaciones finales representan el fin del curso porque los estudiantes ya han aprobado la materia. Los estudiantes de nivel bajo especialmente, todavía tienen muchas concepciones erróneas, pero no saben cómo compensar su escaso entendimiento de la materia en preparación para estudios futuros. En lugar de simplemente darles a los estudiantes sus calificaciones, se anima a los profesores a proporcionar instrucción remedial a los estudiantes para su aprendizaje futuro. Este estudio tiene como objetivo establecer un método efectivo utilizando la teoría de conjuntos aproximados y el modelado estructural gris para determinar qué atributos afectan las calificaciones finales de los estudiantes y agrupar a los estudiantes en consecuencia. Un algoritmo de conjuntos aproximados genera un conjunto de atributos para una lista de evaluación. Luego se utiliza el modelado estructural gris (GSM) para agrupar a los estudiantes que tienen las mismas debilidades en inglés. GSM cambia de una dimensión a dos dimensiones y calcula la distancia relativa, de modo que se puede realizar un análisis de agrupamiento. Se pueden proporcionar instrucciones remediales dirigidas a cada grupo de estudiantes con habilidades similares. Los resultados revelaron que al integrar las dos teorías, los profesores podrían clasificar a los estudiantes de manera más efectiva en grupos. Los estudiantes se benefician al comprender sus debilidades en inglés en lugar de solo recibir una sola calificación al final del semestre, y también pueden aprender con sus compañeros. Los profesores pueden ajustar sus estrategias de enseñanza y diseño de planes de estudio en función de los resultados analíticos para satisfacer las necesidades de los estudiantes.