Si l'on veut concevoir un système d'enseignement assisté par ordinateur (ce que l'on appelle aujourd'hui un environnement informatique d'apprentissage humain ou EIAH) qui soit capable de s'adapter aux besoins de ses utilisateurs (les apprenants), il faut que ce système ait une représentation de leurs connaisances. Cette représentation des connaissances, le modèle de l'apprenant, peut prendre des formes très variées, tant du point de vue des connaissances qui y sont modélisées (le modèle conceptuel) que de celui de la manière dont elles sont informatiquement modélisées (le modèle computationnel). Du point de vue computationnel, dans la mesure où cette modélisation doit se faire en tenant compte de l'incertitude qui lie connaissances épistémiques et comportementales, les réseaux bayésiens sont de plus en plus utilisés en modélisation de l'apprenant. Ils permettent une adaptation dynamique aux actions des apprenants à l'aide d'algorithmes d'inférence mathématiquement bien fondés et relativement performants. Dans la plupart des modèles de l'apprenant qui ont été construits jusqu'à présent les connaissances de l'expert et celles du novice ont une organisation commune. Il est certes envisagé que l'expert ait davantage de connaissances que le novice sur tel ou tel sujet, ou que le novice ait des connaissances erronées, mais on ne tient pas compte des différences de structuration des connaissances entre novice et expert. Dans la mesure où ces différences sont mises en évidence par la psychologie cognitive et sont considérées comme révélatrices du niveau d'expertise, il nous semble important d'être capable de les prendre en compte. Nous élaborons un modèle conceptuel basé sur les réseaux bayésiens permettant de prendre en compte et de diagnostiquer ces différences structurelles. Il s'agit de passer d'un diagnostic quantitatif à un diagnostic qualitatif : l'expert ne se contente pas d'en savoir plus que le novice, son savoir est aussi organisé différemment. Ce modèle conceptuel repose sur l'utilisation des multi-réseaux : le modèle de l'apprenant n'est plus formé d'un mais de plusieurs réseaux, chacun d'entre eux correspondant à un niveau d'expertise. Le diagnostic prend alors en compte l'ensemble de ces réseaux pondérés en fonction des réponses de l'apprenant. Les multi-réseaux sont tout à fait compatibles avec les techniques d'apprentissage machine, et nous décrivons comment en apprendre les paramètres dans le cadre qui est le notre, c'est-à-dire en présence de nombreuses variables inobservables. Notre travail d'analyse nous conduit également à formuler des solutions pour l'ingénierie des réseaux bayésiens en modélisation de l'apprenant, sujet qui n'a pour l'instant été que peu abordé dans la littérature. Nous présentons les résultats expérimentaux que nous avons obtenus en utilisant notre modèle conceptuel pour analyser les réponses d'apprenants utilisant le système Pépite et valider ainsi notre démarche.