La inteligencia artificial, en particular el aprendizaje automático, es la tendencia de investigación de más rápido crecimiento en campos educativos. El aprendizaje automático muestra un rendimiento impresionante en muchos modelos de predicción, incluida la educación psicosocial. La capacidad del aprendizaje automático para descubrir patrones ocultos en grandes conjuntos de datos alienta a los investigadores a inventar datos con características de alta dimensionalidad. Por el contrario, no todas las características son necesarias para el aprendizaje automático y, en muchos casos, las características de alta dimensionalidad disminuyen el rendimiento del aprendizaje automático. El método de selección de características es uno de los enfoques adecuados para reducir las características y garantizar que el aprendizaje automático funcione de manera eficiente. Se han propuesto varios métodos de selección, pero hasta el momento no se ha establecido una investigación para determinar el subconjunto de características esenciales en la educación psicosocial. Esta investigación investigó y propuso métodos para determinar el mejor método de selección de características en el ámbito de la educación psicosocial. Utilizamos un enfoque de sistema de decisión multicriterio (MCDM) con Evaluación de Razón Aditiva (ARAS) para clasificar siete métodos de selección de características. El modelo propuesto evaluó el mejor método de selección de características utilizando nueve criterios de las métricas de rendimiento proporcionadas por el aprendizaje automático. Los resultados experimentales mostraron que el ARAS es prometedor para evaluar y recomendar el mejor método de selección de características para los datos de educación psicosocial utilizando el conjunto de datos de niveles de riesgo psicosocial de los maestros.