Los patrones de aprendizaje son cruciales para predecir la deserción estudiantil en entornos educativos, proporcionando información sobre el comportamiento y las motivaciones de los estudiantes. Sin embargo, los modelos de predicción de deserción convencionales existentes tienen limitaciones para explotar eficazmente estos patrones de aprendizaje y no pueden extraer estos patrones de aprendizaje en conjuntos de datos educativos distribuidos a gran escala. En este estudio, analizamos las representaciones de los modelos convencionales e identificamos su incapacidad para capturar los patrones de aprendizaje distintivos de los estudiantes y las variaciones personalizadas en los cursos. Abordando estos desafíos, nuestro estudio adopta un enfoque de aprendizaje federado, adaptando el análisis para aprovechar los datos distribuidos mientras se mantiene la privacidad y la descentralización. Presentamos el Modelo de Predicción de Deserción Consciente de Patrones de Aprendizaje Federado (FLPADPM), que utiliza una red neuronal convolucional unidimensional (CNN) y una capa de memoria a corto y largo plazo bidireccional (LSTM) dentro de un marco de aprendizaje federado. Este modelo está diseñado para capturar de manera efectiva patrones de aprendizaje matizados y adaptarse a las variaciones en entornos educativos diversos. Para evaluar el rendimiento de LPADPM, realizamos una evaluación empírica utilizando los conjuntos de datos KDD Cup 2015 y XuetangX. Nuestros resultados demuestran que LPADPM supera a los modelos de vanguardia en predecir con precisión el comportamiento de deserción estudiantil. Además, visualizamos las representaciones generadas por LPADPM, lo que confirma su capacidad para explotar efectivamente patrones de aprendizaje en diferentes cursos. Nuestros resultados muestran la capacidad del modelo para capturar y analizar patrones de aprendizaje en diversos cursos e instituciones dentro de un contexto de aprendizaje federado.