چکیده: پیش‌بینی عملکرد تحصیلی دانش‌آموزان یکی از نیازهای اساسی نظام‌های آموزشی برای کاهش افت تحصیلی و طراحی مداخلات هدفمند است. با گسترش فناوری‌های دیجیتال و افزایش حجم داده‌های آموزشی، استفاده از روش‌های علوم داده و یادگیری ماشین امکان شناسایی الگوهای پنهان مؤثر بر موفقیت یا شکست تحصیلی را فراهم ساخته است. این پژوهش با هدف طراحی و اعتبارسنجی یک چارچوب بومی برای پیش‌بینی عملکرد تحصیلی دانش‌آموزان (قبولی یا مردودی) با استفاده از روش‌های علوم داده و الگوریتم‌های یادگیری ماشین انجام شد. مجموعه داده شامل ۷۰۸ نمونه دانش‌آموز از استان نینوای عراق بود که پس از پیش‌پردازش، ۱۰ ویژگی اصلی باقی ماند. توزیع کلاس‌ها عدم تعادل شدید داشت (۹۵.۷۶ درصد قبولی، ۴.۲۴ درصد مردودی) که با روش تولید نمونه مصنوعی تطبیقی (ADASYN) در مجموعه آموزش مدیریت گردید. شش مدل شامل جنگل تصادفی، ماشین بردار پشتیبان، نزدیک‌ترین همسایه، شبکه عصبی مصنوعی، تقویت گرادیان و مدل ترکیبی (با روش رأی‌گیری نرم) با تنظیم‌های قوی برای جلوگیری از بیش‌برازش اجرا شدند. نتایج نشان داد که مدل ترکیبی با دقت کلی ۹۵.۳۱ درصد، امتیاز F1 برابر ۹۷.۵۸ درصد و بازخوانی ۹۹.۰۲ درصد بهترین تعادل را داشت و ماشین بردار پشتیبان با مساحت زیر منحنی ROC برابر ۰.۸۰۳۴ بهترین تمایز را ارائه داد. تحلیل اهمیت ویژگی‌ها با روش اهمیت‌دهی جایگشتی تأیید کرد که ساعات مطالعه هفتگی (اهمیت ۰.۰۱۶۴)، نمرات امتحانات گذشته (۰.۰۱۰۳) و نرخ حضور در مدرسه (۰.۰۰۷۰) سه عامل برتر هستند. یافته‌ها با فرضیات پژوهش همخوانی داشت و نشان داد که ترکیب ویژگی‌های رفتاری و تحصیلی دقت پیش‌بینی را به‌طور معناداری افزایش می‌دهد. این چارچوب می‌تواند مبنای سامانه‌های هشدار زودهنگام و مداخلات آموزشی هدفمند در نظام آموزشی عراق باشد.