Las redes sociales y los dispositivos móviles, comúnmente conocidos como socimedevices, se han vuelto fundamentales en la vida diaria de los estudiantes, influyendo tanto en su rendimiento académico como en su bienestar general. Dependiendo de los patrones de uso, estas tecnologías pueden impactar positiva o negativamente en la educación de los estudiantes. En los últimos años, muchos investigadores han introducido varios modelos, incluidos redes neuronales (NN), aprendizaje automático (ML) y aprendizaje profundo (DL), para identificar el impacto en el rendimiento académico de los estudiantes utilizando un socimedevice. Aquí, proponemos un modelo comparativo llamado modelo MLRec, donde evaluamos qué tan bien diferentes métodos de aprendizaje automático predicen la dinámica de la vida estudiantil y proporcionan una recomendación a la sociedad, padres y asesores académicos. Aquí, hemos preprocesado nuestro conjunto de datos real mediante varios métodos, que se recopilaron de 10 escuelas y tienen 25 características que totalizan 275 instancias de diferentes distritos de Bangladés. Después de eso, aplicamos 15 algoritmos de ML para el entrenamiento y la prueba. Luego, comparamos los algoritmos utilizando criterios como precisión, error cuadrático medio (MSE), raíz del error cuadrático medio (RMSE), coeficiente de determinación (R2), varianza explicada (EV) y puntaje de desviación de Tweedie (D2). Posteriormente, seleccionamos el algoritmo Extra Tree Classifier (ETC) basado en su rendimiento superior, logrando una precisión del 86%, un MSE del 25% y un EV del 40%. También utilizamos técnicas de IA explicable (LIME y SHAP) para visualizar las causas raíz de los efectos de las redes sociales en el rendimiento escolar de los estudiantes. Nuestros resultados muestran que el uso excesivo de las redes sociales afecta negativamente las actividades académicas.