Este estudio desarrolló y validó un ecosistema de Aprendizaje Automático (ML) para la detección temprana de la victimización escolar entre adolescentes ecuatorianos, un fenómeno que representa una barrera crítica para la equidad educativa. Abordando limitaciones metodológicas previas, esta investigación eliminó intencionalmente el razonamiento circular al excluir todos los ítems psicométricos internos del conjunto de características, centrándose estrictamente en dieciséis predictores socioambientales y demográficos. Se llevó a cabo un estudio cuantitativo con 1413 estudiantes en la provincia de Tungurahua, utilizando la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para corregir el desequilibrio de clases. Se compararon algoritmos de clasificación supervisada, incluidos SVM, Random Forest y XGBoost. Los resultados demostraron que el modelo de Random Forest logró el rendimiento más equilibrado, alcanzando una precisión del 60.3% y un Macro F1-score de 0.382. El análisis de importancia de características identificó la estructura del hogar (Viviendo_Con_Monoparental) y la Capacidad_de_Afrontamiento_Familiar como los predictores más significativos de perfiles de alto riesgo. Estos hallazgos proporcionaron una herramienta estadísticamente honesta y ecológicamente válida para los Departamentos de Consejería Estudiantil (DECE), permitiendo una transición hacia la identificación proactiva de riesgos basada en la vulnerabilidad social observable en lugar de la notificación reactiva de síntomas.