Este documento examina el compromiso de los estudiantes en línea, un concepto complejo que abarca varias dimensiones (comportamental, emocional y cognitiva) y reconocido como un indicador clave de la efectividad del aprendizaje. El compromiso implica participación, motivación, persistencia y reflexión, facilitando la comprensión del contenido. Predecir el compromiso, particularmente el compromiso comportamental, fomenta la interacción y ayuda a los docentes a ajustar sus métodos. El objetivo es desarrollar un modelo predictivo para clasificar a los estudiantes según su compromiso, utilizando indicadores como los resultados académicos para identificar signos de dificultad. Este estudio demuestra que el compromiso en cuestionarios y exámenes predice el compromiso en las lecciones, promoviendo el aprendizaje personalizado. Utilizamos algoritmos de aprendizaje automático supervisado para prever el compromiso en tres niveles: cuestionarios, exámenes y lecciones, basándonos en una base de datos de Kaggle. Se emplearon las puntuaciones de cuestionarios y exámenes para crear modelos predictivos para las lecciones. El rendimiento de los modelos se evaluó utilizando métricas clásicas como precisión, recuperación y F1-score. El modelo de Árbol de Decisión surgió como el mejor entre los evaluados, logrando un 97% y un 98.49% de precisión en la predicción del compromiso en cuestionarios y exámenes, respectivamente. Los modelos de K-Vecinos Más Cercanos (KNN) y de Aumento de Gradiente también mostraron un rendimiento encomiable, aunque ligeramente menos efectivo que el Árbol de Decisión. Los resultados indican una fuerte correlación entre las predicciones de compromiso en los tres niveles. Esto sugiere que el compromiso en cuestionarios y exámenes, conocidos como evaluaciones, es un indicador pertinente del compromiso general. Los estudiantes activos tienden a tener un mejor desempeño en estas evaluaciones. La identificación temprana de estudiantes en riesgo permite intervenciones específicas, optimizando su compromiso.