La pandemia de COVID-19 ha acelerado el cambio hacia la educación en línea, convirtiéndola en un enfoque crítico para las instituciones educativas. Comprender la adaptabilidad de los estudiantes a este nuevo entorno de aprendizaje es crucial para garantizar su éxito académico. Este estudio tiene como objetivo predecir los niveles de adaptabilidad de los estudiantes en la educación en línea utilizando un conjunto de datos de 1205 observaciones que incorpora factores sociodemográficos e información recopilada a través de diferentes niveles educativos (escuela, colegio y universidad). Se aplican varios modelos de aprendizaje automático (ML) y aprendizaje profundo (DL), incluidos árbol de decisión (DT), bosque aleatorio (RF), máquina de soporte vectorial (SVM), vecinos más cercanos (KNN), XGBoost y redes neuronales artificiales (ANN), para la predicción de la adaptabilidad. El modelo de conjunto propuesto logra un rendimiento superior con una precisión del 95.73%, superando significativamente a los modelos tradicionales de ML y DL. Además, se emplearon técnicas de IA explicable (XAI), como LIME y SHAP, para descubrir las características específicas que impactan significativamente en las predicciones del nivel de adaptabilidad, siendo la condición financiera, la duración de la clase y el tipo de red factores clave. Al combinar un modelado predictivo robusto y una IA interpretable, este estudio contribuye a los esfuerzos en curso para mejorar la efectividad de la educación en línea y fomentar el éxito estudiantil en la era digital.