J.-D. ZUCKER Integrating Machine Learning Techniques in a Guided Discovery Tutoring Environment : MEMOCAR Le thème abordé dans ce rapport est celui de l'utilisation de techniques d'apprentissage symbolique automatique (ASA) pour l'amélioration des interactions dans les environnements d'enseignement par la découverte assisté par ordinateur. Nous présentons différents environnements intégrant des techniques d'apprentissage symbolique automatique; principalement pour con­ struire et/ou mettre à jour un modèle de l'élève. Nous présentons ensuite une intégration originale de l'ASA dans le cadre d'un en­ vironnement dédié à l'apprentissage des caractères chinois par la découverte: memocar. Notre approche consiste à utiliser l'ASA pour faire apprendre au système sur les mêmes données que l'élève, et à utiliser les résultats de cet apprentissage pour construire des interactions. Deux des principales activités du système memocar, la découverte par l'apprenant de similarités en­ tre caractères et les exercices de test de l'apprentissage sont ainsi basées sur l'adaptation d'un algorithme inductif: charade. Ce type d'intégration de l'ASA dans les environnements d'apprentissage par la découverte s'insère dans les recherches visant à rendre de tels environnements plus coopératifs. This chapter presents how Machine Learning Techniques can effec­ tively contribute to improve the quality of interactions in Guid­ ed Discovery Tutoring Environments (GDTE) . We review several ap­ proaches to integrate Machine Learning in ITS. Most of these ap­ proaches use concept learning from examples to maintain a Student Model. We go along presenting an alternative use of induction techniques to learn concepts on the same data that are presented to the learner. We present on a concrete example how this ap­ proach is integrated in a GDTE called MEMOCAR, a Computer Aided Language Learning System for Chinese characters. Three main types of activity are identified in MEMOCAR: familiarization with Chi­ nese characters, collaborative discovery of similarities between characters and exercises to test characters acquisition. The stage of familiarization is supported by exploration of hyperdata whilst collaborative discovery and exercises' diagnosis are sup­ ported by a tool based on CHARADE, a top-down induction system. Such integration offers a new alternative to the complex problem of making Guided Discovery Tutoring Environment more collabora­ tive.