La inteligencia artificial (IA) ha demostrado éxito en diversas industrias; sin embargo, su adopción en la aviación sigue siendo limitada debido a preocupaciones sobre la interpretabilidad de los modelos de IA, que a menudo funcionan como sistemas de caja negra con procesos de toma de decisiones opacos. Dada la naturaleza crítica para la seguridad de la aviación, la falta de transparencia en las predicciones generadas por IA plantea desafíos significativos para los interesados de la industria. Este estudio investiga el rendimiento de clasificación de múltiples modelos de aprendizaje automático supervisado y emplea SHapley Additive exPlanations (SHAP) para proporcionar explicaciones globales del modelo, identificando características clave que influyen en los límites de decisión. Para abordar el problema del desequilibrio de clases en el conjunto de datos de la Oficina de Seguridad del Transporte de Australia (ATSB), también se emplea un Autoencoder Variacional (VAE) para la augmentación de datos. Se realiza una evaluación comparativa de cuatro algoritmos de aprendizaje automático para una tarea de clasificación de tres clases: Máquina de Vectores de Soporte (SVM), Regresión Logística (LR), Bosque Aleatorio (RF) y una red neuronal profunda (DNN) que comprende cinco capas ocultas. Los resultados demuestran un rendimiento competitivo en métricas de precisión, exactitud, recuperación y puntuación F1, destacando la efectividad de las técnicas de IA explicable para mejorar la transparencia del modelo y fomentar la confianza en las aplicaciones de seguridad en la aviación impulsadas por IA.