A necessidade de acompanhamento dos estágios de aprendizado discente e suas dificuldades de forma precoce tomou uma dimensão ainda maior nesses tempos recentes de pandemia e de ensino online. Nesse panorama, este trabalho apresenta uma abordagem para predição de forma precoce de comportamentos de estudantes que possuem um elevado risco de reprovação em disciplinas que ocorrem em ensino on-line. Para analisar e avaliar a viabilidade da abordagem proposta foi realizado um estudo de caso com dados do ensino técnico integrado do campus Monteiro do IFPB. Foi construído um conjunto de dados com dados reais originados do Google Sala de Aula e do SUAP. Uma vez finalizado o conjunto de dados, foram construídos e avaliados modelos de aprendizado de máquina usando seis diferentes algoritmos de classificação supervisionada. Adicionalmente foi objeto de análise o tratamento do desbalanceamento dos dados e a influência da seleção de atributos no desempenho final dos preditores.