Reality shows competitivos combinam desempenho objetivo e construção narrativa, tornando a previsão de seus resultados um problema particularmente complexo. Este trabalho investiga a evolução temporal dos padrões competitivos e narrativos associados às vencedoras de RuPaul’s Drag Race por meio de técnicas de aprendizado de máquina. A partir da base de dados desenvolvida em MSI I, foi construída uma representação temporal no formato participante-episódio, permitindo acompanhar a trajetória das competidoras ao longo das temporadas. Foram incorporadas variáveis competitivas, narrativas, de visibilidade e de caracterização das participantes, avaliadas por meio de uma estratégia de validação Leave-One-Season-Out (LOSO). Os experimentos demonstraram que a melhor configuração foi obtida por um modelo de Regressão Logística Balanceada associado a técnicas de pré-processamento, seleção de atributos e ponderação temporal por recência. O modelo alcançou 77,8% de acerto Top 1, 94,4% de acerto Top 2 e 100,0% de acerto Top 3 nas dezoito temporadas analisadas. Além do desempenho preditivo, a análise das trajetórias temporais revelou padrões recorrentes na construção das vencedoras, caracterizados pela consolidação gradual de suas probabilidades de vitória ao longo da competição. Os resultados indicam que a combinação entre desempenho competitivo e construção narrativa produz sinais suficientemente consistentes para permitir a identificação de futuras vencedoras antes do encerramento das temporadas.