A evasão no ensino superior é conceituada como a saída do aluno do curso de graduação de maneira definitiva ou temporária, independentemente do motivo ou causa, sem que tenha sido diplomado. O fenômeno do abandono escolar produz uma série de problemas para o sistema de educação, bem como para o governo, sendo o desperdício de recursos financeiros, sociais e humanos um dos exemplos mais graves. Portanto, a redução da taxa de evasão de alunos é um dos grandes desafios enfrentados pelas instituições públicas de ensino do Brasil na atualidade, fato que prejudica a gestão escolar e torna urgente a busca pela solução desse problema. Nesse contexto, a identificação de padrões e perfis de alunos com maior risco de evasão revela-se essencial para o desenvolvimento de um plano de mitigação voltado à redução da probabilidade de abandono do curso pelo estudante. A detecção precoce de estudantes propensos a abandonar seus cursos é crucial para o sucesso de qualquer estratégia de sucesso escolar. Uma das alternativas é utilizar técnicas de mineração de dados para criar um sistema de alerta que identifique com antecedência estudantes com risco elevado de abandono. Isto posto, o objetivo deste trabalho é desenvolver um método baseado em um framework escolar que torne mais simples a consulta acerca da possibilidade de um estudante evadir, a partir da utilização de um algoritmo de mineração de dados que pode ser aplicado numa plataforma Web para se tornar mais eficiente. Para tanto, é utilizada a base de dados acadêmicos de uma instituição federal de ensino com o intuito de executar as etapas de mineração para gerar um modelo de previsão de evasão. Por fim, os resultados são analisados pelos gestores escolares para realizar a tomada de decisão em relação à permanência e êxito. Como resultados, um experimento foi feito, unificando duas bases como estudo de caso para avaliar o desempenho do modelo de classificação. Diferentes algoritmos de classificação foram testados e os modelos gerados com os algoritmos Logistic Regression e Multilayer Perceptron apresentaram melhor desempenho preditivo com base nas medidas de acurácia e F1-score.
Palavras-chave: Evasão Escolar. Mineração de Dados. Modelo Preditivo.