A evasão estudantil constitui um dos principais desafios enfrentados pela Educação a Distância, impactando diretamente a eficiência dos cursos e a permanência discente. Nesse contexto, o uso de dados gerados por ambientes virtuais de aprendizagem tem se mostrado uma alternativa promissora para a compreensão do comportamento dos estudantes e para o apoio à tomada de decisão institucional. Este trabalho tem como objetivo analisar a evasão estudantil no curso de Licenciatura em Filosofia na modalidade a distância, a partir de dados acadêmicos e de interação extraídos do Ambiente Virtual de Aprendizagem Moodle. Para tanto, foram empregadas técnicas de análise de dados educacionais e aprendizado de máquina, contemplando etapas de coleta, pré-processamento, análise exploratória e modelagem preditiva. A análise foi conduzida por meio de ferramentas computacionais, utilizando-se ambientes de programação e, de forma complementar, a ferramenta WEKA, como apoio à experimentação, validação e comparação de modelos. A predição da evasão foi realizada em nível de aluno, considerando diferentes algoritmos, incluindo Árvore de Decisão, Floresta Aleatória, Regressão Logística e Rede Neural Artificial. Os resultados obtidos indicam que os modelos avaliados apresentaram desempenho satisfatório, com destaque para a Floresta Aleatória, que alcançou os melhores valores de AUC-ROC e F1-score. A análise da importância das variáveis evidenciou que fatores relacionados ao vínculo acadêmico, ao engajamento no ambiente virtual e ao desempenho acadêmico estão fortemente associados à evasão estudantil. Conclui-se que a utilização de técnicas de aprendizado de máquina aplicadas a dados do Moodle é viável e pode contribuir para a identificação antecipada de estudantes em risco de evasão, oferecendo subsídios para o desenvolvimento de estratégias institucionais de acompanhamento e intervenção pedagógica.