El aumento de la tecnología instructiva, los recursos de aprendizaje en línea y los cursos en línea ha creado oportunidades para la minería de datos y análisis del aprendizaje en el ámbito pedagógico. Una gran cantidad de datos se obtiene de este ámbito que puede ser analizada e interpretada para que los educadores puedan comprender la atención de los estudiantes. En un aula donde los estudiantes tienen sus propias computadoras frente a ellos, es importante que los instructores entiendan si los estudiantes están prestando atención. Recopilamos datos sobre la tarea y fuera de la tarea para analizar los comportamientos de atención de los estudiantes. La minería de datos educativos extrae información oculta de los registros educativos, y la estamos utilizando para clasificar los patrones de atención de los estudiantes. Se utiliza un método híbrido para combinar diversas técnicas como clasificaciones, regresiones o extracción de características. En nuestro trabajo, combinamos dos técnicas de extracción de características: análisis de componentes principales y análisis discriminante lineal. Las características extraídas son utilizadas por una máquina de soporte vectorial (SVM) lineal y de núcleo para clasificar los patrones de atención. Los resultados de clasificación se comparan con SVM lineal y de núcleo. Nuestro método híbrido logró los mejores resultados en términos de precisión, exactitud, recuperación, F1 y kappa. Además, correlacionamos la atención con el aprendizaje. Aquí, el aprendizaje corresponde a pruebas y a la nota final del curso. Para determinar la correlación entre las notas y la atención, se utilizaron el coeficiente de correlación de Pearson y el valor p.