Les compétences non-techniques (CNT) sont un panel de capacités métacognitives complémentant les compétences techniques, et garantissant la réalisation d’une activité technique sûre. Elles jouent un rôle particulièrement important dans la gestion de situations critiques, et ce dans de nombreux domaines, comme la conduite automobile, ou la médecine d’urgence. Les travaux de cette thèse ont eu pour but de contribuer à la construction d’un environnement virtuel pour l’apprentissage humain (EVAH) de ces compétences non-techniques, via l’expérience de situations critiques. Les travaux se sont focalisés sur deux aspects fondamentaux pour la mise en place d’un EVAH. Dans un premier temps, nous nous sommes focalisés sur la conception d’une architecture de diagnostic des compétences non-techniques de l’apprenant, un problème complexe, « mal-défini » au regard du faible degré de formalisation du domaine, de la nature en temps réel de cet apprentissage, et des relations, propres à chaque individu, entre criticité, compétences techniques et compétences non-techniques. Cette architecture associe connaissances du domaine, apprentissage machine et un réseau bayésien, afin de franchir l’important gap sémantique séparant l’activité perceptivo-gestuelle de l’apprenant produite au sein d’un environnement virtuel, de l’évaluation épistémique de ses compétences. Dans un second temps, nous avons consacré nos efforts à la conception d’un module pédagogique capable de raisonner sur la base du module de diagnostic pour proposer à chaque apprenant un voyage à travers la criticité qui lui soit adapté, personnalisé, et à même de renforcer ses CNT. Ce module associe connaissances issues du réseau bayésien, à un algorithme d’apprentissage par renforcement de type « bandit manchot », pour guider l’apprenant vers une maîtrise toujours plus grande de ses compétences non-techniques. Les expérimentations ont eu pour but de valider les choix de modélisation. Elles se sont basées sur des données réelles, obtenues au cours de sessions d’apprentissage réalisées sur un simulateur « grande échelle » de conduite automobile, pour mettre en évidence la robustesse et la capacité de couverture de l’architecture de diagnostic. Nous avons ensuite conçu un jeu de données synthétiques pour évaluer les capacités du module pédagogique à proposer des situations d’apprentissage adaptées aux singularités de chaque apprenant, et à mêmes de contribuer au renforcement de ses CNT. / Non-technical skills (NTS) are a set of metacognitive abilities that complement technical skills and allow for a safe and efficient technical activity. They play an important role during the handling of critical situations, in many domains, including driving or acute medicine. This thesis work focused on the building of a virtual environment for learning (VEL), dedicated to the training of these non-technical skills, through the experience of critical situations. The main contributions target two fundamental aspects with regards to the construction of such a VEL. First, we focused our efforts on the conception of an architecture able to diagnose a learner’s NTS. This is an ill-defined problem, given the low degree of domain knowledge, the real time aspects of this learning process, and the unique relations between criticality, technical, and non-technical skills. This architecture combines domain knowledge, machine learning, and a Bayesian network, to cross the semantic gap between the learner’s perceptual-gestural activity inside the VEL, and the diagnostic of high level, cognitive, NTS. Second, we built a pedagogical module, able to make decisions based on the diagnostic module, in order to build a « journey through criticality » adapted to each of our learners’ characteristics, in order to strengthen said their NTS. This module associates the knowledge about the learner obtained by the Bayesian network, with a reinforcement-learning « multi-armed bandit » algorithm, to reinforce the learner’s NTS through time. Experiments were conducted in order to validate our modelling choices. These experiments were first conducted on real user data, obtained during training sessions performed on a « large scale » driving simulator, in order to evaluate the robustness of the Bayesian network as well as its ability to provide varied diagnostics given its inputs. We then built a synthetic dataset in order to test the pedagogical module, more specifically its capabilities to provide adapted learning situations to learners of different profiles, and to contribute to these learner’s acquisition of NTS through time.