Con el rápido desarrollo de la inteligencia artificial en los últimos años, la evaluación inteligente del crecimiento de los estudiantes universitarios mediante el monitoreo de los datos de entrenamiento se está convirtiendo en una técnica prometedora en el campo de la educación inteligente. Los estudios actuales tienden a utilizar las calificaciones de los cursos, que son objetivas, para predecir el promedio de calificaciones (GPA) de los estudiantes, pero suelen descuidar factores subjetivos como la resiliencia psicológica. Para resolver este problema, este documento toma la ingeniería mecánica como objeto de investigación y propone un nuevo enfoque de predicción de GPA impulsado por el aprendizaje automático para evaluar el rendimiento académico de los estudiantes de ingeniería mediante la incorporación de datos de evaluación psicológica en las calificaciones básicas de los cursos. Específicamente, este documento adopta datos de evaluación psicológica SCL-90 recopilados en el primer año, que incluyen indicadores clave de salud mental como somatización, depresión, hostilidad e indicadores de sensibilidad interpersonal, así como calificaciones de cursos básicos profesionales, incluidos principios mecánicos, diseño mecánico, matemáticas avanzadas y dibujo de ingeniería. Luego se emplean cuatro algoritmos de aprendizaje automático representativos, Máquina de Soporte Vectorial (SVM), CNN-CBAM, Extreme Gradient Boosting (XGBoost) y Árbol de Clasificación y Regresión (CART) que incluyen modelos profundos y superficiales, respectivamente, para construir un modelo de clasificación para la predicción de GPA. Este documento diseña un experimento de validación siguiendo a 229 estudiantes de la clase de 2020 de la Escuela de Ingeniería Mecánica y Eléctrica de la Universidad de Ciencia y Tecnología de Henan, China. El rendimiento académico de los estudiantes en los grados superiores se divide en cinco clases para usar como etiquetas de predicción. Se verifica que los datos psicológicos y los datos de cursos pueden integrarse de manera efectiva en la predicción de GPA para estudiantes universitarios, con una tasa de precisión del 83.64%. Además, este documento también revela que los indicadores de ansiedad en los datos de evaluación psicológica tienen el mayor impacto en el rendimiento académico de los estudiantes universitarios, seguido de la sensibilidad interpersonal. Los resultados experimentales también muestran que, para predecir los GPAs del tercer año, los factores psicológicos juegan un papel más importante que en la predicción de los GPAs del segundo año. Por lo tanto, se dan sugerencias: la práctica actual en la enseñanza universitaria existente, es decir, solo realizar evaluaciones psicológicas en el primer año de los estudiantes, debería actualizarse introduciendo evaluaciones psicológicas de seguimiento en cada año académico.