El éxito estudiantil es un resultado multifacético influenciado por factores académicos, conductuales, contextuales y socioambientales. Con la creciente disponibilidad de datos educativos, el aprendizaje automático (ML) ofrece herramientas prometedoras para modelar relaciones complejas y no lineales que van más allá de los métodos estadísticos tradicionales. Sin embargo, la falta de interpretabilidad en muchos modelos de ML sigue siendo un obstáculo importante para la adopción práctica en contextos educativos. En este estudio, aplicamos técnicas de inteligencia artificial explicable (XAI), específicamente SHAP (SHapley Additive exPlanations), para analizar un conjunto de datos sintético que simula diversos perfiles de estudiantes. Usando LightGBM, identificamos variables como horas de estudio, asistencia e involucramiento parental como influyentes en la predicción del rendimiento en exámenes. Si bien los resultados no son generalizables debido a la naturaleza artificial de los datos, este estudio replantea su propósito como una exploración metodológica en lugar de una afirmación de conocimientos aplicables en el mundo real. Nuestros hallazgos demuestran cómo el ML interpretable puede utilizarse para construir pipelines analíticos transparentes en educación, sentando las bases para futuras investigaciones utilizando conjuntos de datos empíricos y datos reales de estudiantes.