La predicción del rendimiento estudiantil es un desafío de investigación crítico en el campo de la minería de datos educativos. Para abordar este problema, se han empleado varios métodos de aprendizaje automático con un éxito significativo, incluidos algoritmos basados en instancias, árboles de decisión, redes neuronales y métodos de conjunto, entre otros. En este estudio, introducimos un enfoque innovador que aprovecha el algoritmo Regularized Greedy Forest (RGF) dentro de un marco de aprendizaje activo para mejorar la predicción del rendimiento estudiantil. El aprendizaje activo es un paradigma poderoso que utiliza tanto datos etiquetados como no etiquetados, mientras que RGF sirve como un algoritmo de aprendizaje de bosque de decisión efectivo que actúa como el aprendiz base. Esta sinergia tiene como objetivo mejorar el rendimiento predictivo del modelo mientras minimiza el esfuerzo de etiquetado, haciendo que el enfoque sea tanto eficiente como escalable. Además, aplicar el marco de aprendizaje activo para predecir el rendimiento estudiantil se centra en la identificación temprana y precisa de los estudiantes en riesgo de fracaso. Esto permite intervenciones específicas y estrategias de aprendizaje personalizadas para apoyar a los estudiantes de bajo rendimiento y mejorar sus resultados. Los resultados experimentales demuestran el potencial de nuestro enfoque propuesto, ya que supera a métodos supervisados bien establecidos utilizando un conjunto limitado de ejemplos etiquetados, logrando una precisión del 81.60%.