La predicción del rendimiento estudiantil (SPP) es una tarea fundamental en la analítica educativa, que permite intervenciones proactivas y asignación optimizada de recursos por parte de los educadores. Los modelos tradicionales de SPP suelen ser obstaculizados por su complejidad y falta de interpretabilidad. Este estudio presenta un nuevo marco de SPP, la Base de Reglas de Creencia con construcción automatizada (Auto-BRB), diseñado para abordar estos problemas. En primer lugar, se derivan valores de referencia a través de técnicas de minería de datos. El modelo emplea un sistema basado en reglas SI-ENTONCES integrado con razonamiento evidencial para garantizar tanto la transparencia como la interpretabilidad. En segundo lugar, la optimización de parámetros se logra utilizando la Estrategia de Evolución Adaptativa de la Matriz de Covarianza Proyectada (P-CMA-ES), mejorando significativamente la precisión del modelo. Además, el Criterio de Información de Akaike (AIC) se aplica luego para ajustar el equilibrio entre la precisión del modelo y la complejidad. Finalmente, los estudios de casos sobre SPP han demostrado que el modelo Auto-BRB tiene una ventaja sobre los modelos tradicionales en términos de precisión, manteniendo a su vez una buena interpretabilidad. Por lo tanto, Auto-BRB tiene excelentes efectos de aplicación en el análisis de datos educativos.