Ante los problemas de retraso en la alerta académica tradicional y la homogeneización del apoyo, este estudio integra aprendizaje ensemble y algoritmos de inferencia causal: se construyó un modelo AdaBoost basado en datos de 2,003 estudiantes para lograr una estratificación precisa del riesgo académico y monitoreo en tiempo real; se utilizó un modelo de bosque causal para cuantificar el efecto neto de la intervención y diseñar planes de apoyo personalizados multidimensionales. El estudio seleccionó tres tipos de universidades con diferentes niveles educativos, estableciendo en cada una 50 estudiantes en el grupo experimental (alerta AI + apoyo personalizado) y 50 estudiantes en el grupo de control (alerta tradicional + apoyo convencional), con un seguimiento de intervención durante dos años académicos. Los resultados mostraron que el GPA promedio del grupo experimental aumentó un 35.70 %, superior al 19.40 % del grupo de control; la tasa de comportamiento de estudio disciplinado y las puntuaciones en la escala de adaptación académica también mejoraron en el grupo experimental (P<0.05). El estudio muestra que la alerta AI validada con una gran muestra puede identificar con precisión las causas del riesgo académico, el apoyo personalizado permite intervenciones específicas, y la colaboración entre ambos tiene un efecto positivo en el rendimiento académico de estudiantes con dificultades, proporcionando una vía replicable para la construcción de sistemas de apoyo académico en instituciones con diferentes niveles.

alerta académica AI;apoyo personalizado;estudiantes con dificultades académicas;efecto de intervención,inferencia causal