L’apprentissage mobile est devenu un sujet d’intérêt car il implique de nombreux domaines de recherche concernant les contextes d’usages et de technologie complexes. En effet, ce type de formation a été reconnu pour sa capacité à motiver les apprenants car ils peuvent construire leurs propres connaissances en collaborant avec les autres. Dans ce contexte, l’orchestration des scénarios d'apprentissage mobile permet la gestion en temps réel et la contextualisation des activités à réaliser mais ceci engendre des coûts importants d’organisation. En outre, cette organisation réalisée par l'instructeur est peu adaptée aux méthodes d’apprentissage employées pendant la sortie pédagogique car l’apprenant doit pouvoir garder une certaine maîtrise de ses choix et de son parcours. Dans cette thèse, nous présentons un nouveau style de recommandation pour faire une orchestration dynamique des activités d’apprentissage en fonction de la localisation des apprenants et de l’historique de la visite. Cette technique s’appuie sur un filtrage collaboratif exploitant l’activité antérieure des apprenants mais en prenant en compte les contraintes pédagogiques et la localisation. Notre approche s’inspire du mode de fonctionnement de l’intelligence en essaim (algorithme ACO) pour l’implémentation de notre système de recommandation des POIs. Outre les simulations qui ont permis de comparer les différentes variantes de recommandations, la validation de notre système SAMSSP passe par l’expérimentation de nos deux prototypes de visite de campus. / Mobile learning has become a topic of interest because it involves many areas of research concerning usage contexts and complex technology. Indeed, mobile learning is has been recognized for its ability to motivate learners because they can construct their own knowledge by collaborating with others. In this context, the orchestration of mobile learning allows real-time management and contextualization of activities to do but this results in significant costs of organization. In addition, centralized orchestration is not adapted to the context of our mobile scenario because the learner must be able to keep some control over their choices of learning.In this thesis, we present a new style of recommendation for a dynamic orchestration of learning activities based on the location of the learners and the history of the visit. This technique is based on a collaborative filtering that exploits prior activity of the learners and that respects the educational and location constraints. Our approach is based on the mode of operation of the Swarm Intelligence (ACO algorithm) for the implementation of our system of recommendation. Besides the simulations that are used to compare the different variants of recommendations, the validation of the SAMSSP system goes through the experimentation of the two prototypes of campus visit.