Na última década, o número de ingressantes em instituições de ensino superior aumentou devido, em grande parte, a políticas educacionais que vêm promovendo uma ampliação do acesso. No contexto da educação pública, além da ampliação do
acesso, as Instituições Federais de Ensino Superior têm como objetivo promover a permanência e o êxito dos seus alunos. Como parte dessa realidade, o Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Sul visa, entre outros fins, à melhoria do desempenho acadêmico e atua, preventivamente, no que diz respeito às situações de retenção e evasão. Na perspectiva de contribuir com a prevenção deste problema, identificando, de maneira precoce, acadêmicos com propensão a abandonar o curso, essa dissertação tem como objetivo criar um modelo para predizer a evasão nos cursos superiores de tecnologia. Sendo assim,
optou-se por usar técnicas de Mineração de Dados, dentro de um processo de Descoberta de Conhecimento em Banco de Dados (KDD – Knowledge Discovery in Databases). Este trabalho caracteriza-se como um estudo de caso e utilizou dados acadêmicos e sociodemográficos, armazenados nos Sistemas de acompanhamento acadêmico dos estudantes, do IFRS Campus Canoas. A fase de pré-processamento dos dados gerou um Modelo de Dados que poderá ser usado como ponto de partida em outras pesquisas realizadas pelo IFRS. Para construção do modelo de predição, foram avaliados cinco algoritmos de classificação, sendo que o Decision Tree, demonstrou melhor desempenho, atingindo a acurácia de 82% na fase de treinamento do Modelo e 60,42% na validação em novos dados. Este trabalho pretende trazer contribuições significativas no que tange ao processo de tomada de decisão dos gestores da instituição, em relação às ações de permanência e êxito, a partir das predições indicativas de evasão, bem como estimular a realização de outros trabalhos sobre a evasão utilizando técnicas de mineração de dados.