Las oportunidades para aplicar técnicas de minería de datos para analizar datos educativos y mejorar el aprendizaje están aumentando. Un sinfín de datos están siendo producidos por la tecnología institucional, los recursos de e-learning y los cursos en línea y virtuales. Estos datos podrían ser utilizados por los educadores para analizar y comprender los comportamientos de aprendizaje de los estudiantes. Los datos obtenidos son datos crudos que deben ser analizados, lo que requiere la minería de datos educativos para predecir información útil sobre los estudiantes, como el rendimiento académico, entre otras cosas. Muchos investigadores han utilizado el aprendizaje automático tradicional para predecir el rendimiento académico de los estudiantes, y se ha realizado muy poca investigación sobre la arquitectura de las redes neuronales convolucionales (CNN) en el contexto del dominio pedagógico. Construimos un modelo híbrido de CNN 2D combinando dos modelos de CNN 2D diferentes para predecir el rendimiento académico. Nuestra muestra consistía en datos 1D, por lo que los transformamos en datos de imagen 2D para probar el rendimiento de nuestro modelo híbrido. Comparamos el rendimiento de nuestro modelo con el de diferentes modelos de referencia tradicionales. Nuestro modelo superó a los modelos de referencia, como el vecino más cercano, el Bayes ingenuo, los árboles de decisión y la regresión logística, en términos de precisión.