Les hypermédias adaptatifs dédiés à l'enseignement souffrent généralement d'une modélisation soit trop rigide, les destinant à l'apprentissage d'un champ disciplinaire déterminé a priori, soit trop grossier, ne permettant pas la construction d'un modèle suffisamment riche pour adapter finement le document produit. Notre objectif est d'aller à l'encontre de ces problèmes, en proposant une modélisation de l'apprenant plus riche et non basée sur une modélisation par recouvrement. L'idée que nous avons retenue est d'utiliser des cartes conceptuelles comme outil d'évaluation : l'apprenant réalise une carte, qui est comparée aux cartes de référence réalisées préalablement par l'enseignant. Le résultat de cette comparaison permet alors d'établir un diagnostic quant aux connaissances de l'apprenant. Cette approche présente l'avantage d'être automatisable. L'utilisation de méthodes de classification supervisée, tel l'algorithme des k plus proches voisins, et non supervisée, telles les cartes de Kohonen, permettent une telle automatisation, tout en offrant un retour à l'enseignant sur le niveau global d'un groupe d'apprenants ou d'un apprenant donné.