La investigación aborda la dificultad de los estudiantes de la carrera de Software para seleccionar asignaturas que optimicen su perfil académico, un desafío crítico en entornos educativos donde la personalización es clave. Este tema cobra relevancia en el contexto actual, dado el creciente uso de tecnologías de recomendación para mejorar trayectorias académicas, impactando positivamente la formación profesional. Sin embargo, la literatura existente carece de enfoques que integren la incertidumbre inherente a las preferencias estudiantiles con métodos de clustering robustos. Para superar esta brecha, el estudio propone un sistema recomendador basado en el método NAHP+NSC neutrosófico, combinando el Proceso Analítico Jerárquico Neutrosófico (NAHP) con Clustering de Conjuntos Neutrosóficos (NSC). Mediante encuestas y análisis de calificaciones, se evalúan preferencias y desempeño académico, manejando indeterminaciones con herramientas neutrosóficas implementadas en Python. Los resultados revelan que el modelo identifica con precisión asignaturas óptimas, logrando una factibilidad del 80% en la predicción de perfiles académicos. Esta investigación aporta una metodología innovadora que enriquece la toma de decisiones educativas, ofreciendo a estudiantes y docentes una guía práctica para personalizar trayectorias académicas. Además, sienta las bases para futuros desarrollos interdisciplinarios, como la integración con chatbots o estudios psicológicos, fortaleciendo la aplicabilidad de sistemas recomendadores en contextos universitarios.