Predecir la deserción de estudiantes es una tarea crucial en la educación en línea. Tradicionalmente, cada entidad educativa (institución, universidad, facultad, departamento, etc.) crea y utiliza su propio modelo de predicción a partir de sus propios datos. Sin embargo, ese enfoque no siempre es factible o recomendable y puede depender de la disponibilidad de datos, infraestructura local y recursos. En esos casos, existen varios enfoques de aprendizaje automático para compartir datos y/o modelos entre entidades educativas, utilizando un enfoque clásico de aprendizaje automático centralizado u otros enfoques más avanzados como el aprendizaje por transferencia o el aprendizaje federado. En este documento, utilizamos datos de tres servidores LMS Moodle diferentes que representan entidades educativas homogéneas de diferentes tamaños. Probamos el rendimiento de los diferentes enfoques de aprendizaje automático para el problema de predecir la deserción de estudiantes con la participación de múltiples entidades educativas. Utilizamos un algoritmo de aprendizaje profundo como método clasificador predictivo. Nuestros hallazgos preliminares proporcionan información útil sobre los beneficios y desventajas de cada enfoque, así como sugerencias para mejorar el rendimiento cuando hay múltiples instituciones. En nuestro caso, el aprendizaje por transferencia reutilizado, el aprendizaje por transferencia apilado y los enfoques centralizados produjeron resultados similares o mejores que los modelos entrenados localmente para la mayoría de las entidades.