Entender la evaluación acústica de los estudiantes en entornos de aprendizaje es crucial para identificar problemas acústicos, mejorar las condiciones acústicas y aumentar el rendimiento académico. Sin embargo, los modelos predictivos no están específicamente diseñados para predecir las evaluaciones acústicas de los estudiantes, particularmente en entornos educativos. Para cerrar esta brecha, el presente estudio realizó una investigación de campo en una biblioteca universitaria, incluyendo una medición y una encuesta. Utilizando la información personal recopilada, los parámetros relacionados con la sala y los niveles de presión sonora como entrada, se entrenaron seis modelos de aprendizaje automático (Máquina de Vectores de Soporte-Función de Base Radial (SVM (RBF)), Máquina de Vectores de Soporte-Sigmoide (SVM (Sigmoide)), Máquina de Aumento de Gradiente (GBM), Regresión Logística (LR), Bosque Aleatorio (RF) y Naïve Bayes (NB)) para predecir la aceptación/satisfacción acústica de los estudiantes. El rendimiento de estos modelos se evaluó utilizando cinco métricas, lo que permitió un análisis comparativo. Los resultados revelaron que los modelos predecían mejor la aceptación acústica que la satisfacción acústica. Notablemente, los modelos RF y GBM mostraron el mejor rendimiento, con precisiones de 0.87 y 0.84, respectivamente, en la predicción de la aceptación acústica. Por el contrario, los modelos SVM tuvieron un rendimiento deficiente y no se recomendaron para la predicción de la calidad acústica. Los hallazgos de este estudio demostraron la viabilidad de emplear modelos de aprendizaje automático para predecir las evaluaciones acústicas de los ocupantes, proporcionando así valiosos conocimientos para futuras evaluaciones acústicas.