Los cursos masivos en línea (MOOCs) representan un paradigma innovador de aprendizaje en línea que ha ganado considerable popularidad en los últimos años, atrayendo a una multitud de estudiantes a las plataformas de MOOCs debido a su estructura de instrucción accesible y adaptable. Sin embargo, la elevada tasa de abandono en los MOOCs actuales limita su avance. Los modelos actuales de predicción de abandono emplean predominantemente núcleos de convolución de tamaño fijo para la extracción de características, lo que no aborda adecuadamente las dependencias temporales y, en consecuencia, demuestra limitaciones específicas. Proponemos un modelo de atención de fusión local de contexto basado en grupos de Lie para predecir el abandono en los MOOCs. Este modelo extrae inicialmente características superficiales utilizando técnicas de aprendizaje automático de grupos de Lie y, posteriormente, integra múltiples módulos de convolución dilatada paralelos para adquirir representaciones semánticas de alto nivel. Diseñamos un mecanismo de atención que integra características contextuales y locales, capturando efectivamente las dependencias temporales en los comportamientos de estudio de los estudiantes. Realizamos múltiples experimentos en el conjunto de datos de XuetangX para evaluar la eficacia del modelo. Los resultados muestran que nuestro método alcanza una puntuación de precisión de 0.910, superando el enfoque anterior de vanguardia en un 3.3%.