A evasão escolar é um problema social persistente que afeta o desenvolvimento da educação no Brasil. A falta de conhecimento aprofundado sobre suas causas limita a eficácia das políticas públicas e das decisões escolares para enfrentá-la. Nesse contexto, as tecnologias de análise de dados e inteligência artificial oferecem ferramentas poderosas para identificar fatores que influenciam o abandono dos estudos. Assim, o objetivo deste trabalho é utilizar técnicas de mineração de dados para identificar padrões e analisar as variáveis associadas à evasão escolar, auxiliando professores e gestores a compreender melhor os fatores que a motivam. Para isso, foi realizada uma pesquisa experimental com abordagem qualitativa, que envolveu a seleção de variáveis capazes de influenciar a evasão escolar, como características sociais e situação de trabalho, além da definição de meios para observar os efeitos dessas variáveis. Os dados escolares foram coletados da PNAD Contínua de 2021 a 2024, filtrando pela faixa etária de 14 a 18 anos. Em seguida, esses dados foram limpos e transformados utilizando a biblioteca Pandas do Python. Para definição do número ideal de clusters, foi utilizado o método de Elbow. A técnica de clusterização foi aplicada por meio do algoritmo k-means. Os resultados preliminares mostraram que os alunos que não frequentam a escola foram distribuídos entre todos os clusters gerados, indicando que esse é um problema multifacetado, com diferentes características que podem contribuir para a evasão escolar em contextos distintos. Até maio de 2025, análises mais profundas serão realizadas para caracterização completa dos clusters gerados. Espera-se que este trabalho contribua para uma maior compreensão das causas da evasão escolar e evidencie a importância das tecnologias de análise de dados para auxiliar educadores e responsáveis pela gestão escolar no desenvolvimento de estratégias mais eficazes para combater esse problema.
