A evasão escolar tem causado prejuízos financeiros, sociais e culturais. Em relação ao ensino superior, no Brasil, foi identificado na última década que 59% dos alunos desistiram do seu curso de ingresso. As altas taxas de abandono no ensino superior retardam o desenvolvimento do país, o qual necessita de pessoas qualificadas para evoluir em educação, pesquisa, inovação e tecnologia. Diante disto, as instituições de ensino superior necessitam de mecanismos que possam acompanhar o risco de evasão dos seus alunos, para em seguida traçar estratégias de combate a esse fenômeno. Dessa forma, o objetivo desse trabalho foi desenvolver um sistema para detecção e monitoramento de alunos em risco de evasão. A pesquisa foi realizada em parceria com uma instituição de ensino pública, a partir dos dados acadêmicos e socioeconômicos dos estudantes de graduação. Através de métodos estatísticos, foi realizada a seleção e classificação das variáveis que poderiam ser consideradas relevantes para o estudo da evasão e em seguida, foram analisados os resultados dos melhores modelos de aprendizado de máquina para esses dados. Dos vários modelos avaliados, o XGBoost (Extreme Gradient Boosting) foi o que melhor se adaptou aos dados com boas métricas, eficiência, calibrado e com recall próximo de 0,85. A pesquisa trouxe contribuições relevantes para a instituição analisada ao disponibilizar uma plataforma para acompanhar período a período os alunos com risco de abandono do curso. Também foi identificado que a maior proporção da evasão está ocorrendo nos períodos iniciais, entre estudantes com CRE muito baixo, alta reprovação por falta e com idade elevada.

No abstract