La réalité virtuelle joue un rôle majeur dans le développement de nouvelles technologies de l’éducation, et permet de développer des environnements virtuels pour l’apprentissage, dans lesquels, des agents virtuels intelligents jouent le rôle de tuteur. Ces agents sont censés aider les utilisateurs humains à apprendre et appliquer des procédures ayant des objectifs d’apprentissage prédéfini dans différents domaines. Nous travaillons sur la construction d’un système temps-réel capable d’entamer une interaction naturelle avec un utilisateur dans un Environnement d’Apprentissage Virtuel (EAV). Afin d’implémenter ce modèle, nous proposons d’utiliser MASCARET (Multi-Agent System for Collaborative, Adaptive & Realistic Environments for Training) comme modèle d’Environnement Virtuel Intelligent (EVI) afin de représenter la base de connaissances des agents, et de modéliser la sémantique de l’environnement virtuel et des activités des utilisateurs. Afin de formaliser l’intention des agents, nous implémentons un module cognitif dans MASCARET inspiré par l’architecture BDI (Belief-Desire-Intention) qui nous permet de générer des intentions de haut-niveau pour les agents. Dans notre modèle, ces agents sont représentés par des Agents Conversationnels Animés (ACA), qui sont basés sur la plateforme SAIBA (Situation, Agent, Intention, Behavior, Animation). Les agents conversationnels de l’environnement ont des intentions communicatives qui sont transmises à l’utilisateur via des canaux de communication naturels, notamment les actes communicatifs et les comportements verbaux et non-verbaux. Afin d’évaluer notre modèle, nous l’implémentons dans un scénario pédagogique concret pour l’apprentissage des procédures d’analyse de sang dans un laboratoire biomédical. Nous utilisons cette application afin de réaliser une expérimentation et une étude pour valider les propositions de notre modèle. L’hypothèse de notre étude est de supposer que la présence d’un ACA dans un Environnement Virtuel (EV) améliore la performance du processus d’apprentissage (ou qu’au moins, ça ne le dégrade pas) dans le contexte de l’apprentissage d’une procédure spécifique. La performance de l’utilisateur est représentée par le temps requis pour l’exécution de la procédure, le nombre d’erreurs commises et le nombre de demande d’assistance. Nous analysons les résultats de cette évaluation, ce qui confirme partiellement l’hypothèse de l’expérience et affirme que la présence de l’ACA dans l’EV ne dégrade pas la performance de l’apprenant dans le contexte de l’apprentissage d’une procédure. / Virtual Reality plays a major role in developing new educational methodologies, and allows to develop virtual environments for learning where intelligent virtual agents play the role of tutors. These agents are expected to help human users to learn and apply domain-specific procedures with predefined learning outcomes. We work on building a real-time system able to sustain natural interaction with the user in a Virtual Learning Environment (VLE). To implement this model, we propose to use the Multi-Agent System for Collaborative, Adaptive & Realistic Environments for Training (MASCARET) as an Intelligent Virtual Environment (IVE) model that provides the knowledge base to the agents and model the semantic of the virtual environment and user’s activities. To formalize the intention of the agents, we implement a cognitive module within MASCARET inspired by BDI (Belief-Desire-Intention) architecture that permits us to generate high-level intentions for the agents. Furthermore, we integrate Embodied Conversational Agents (ECA), which are based on the SAIBA (Situation, Agent, Intention, Behavior, Animation) framework. The embodied agents of the environment have communicative intentions that are transmitted to the user through natural communication channels, namely the verbal and non-verbal communicative acts and behaviors of the ECAs. To evaluate our model, we implement it in a concrete pedagogical scenario for learning blood analysis procedures in a biomedical laboratory. We use this application to settle an experiment to validate the propositions of our model. The hypothesis of this experiment is to assume that the presence of anECA in a Virtual Environment (VE) enhances the learning performance (or at least does not degrade it) in the context of a learning procedure. The performance is represented by the time of execution, the number of committed errors and the number of requests for assistance. We analyze the results of this evaluation, which partially confirms the hypothesis of the experiment and assure that having an ECA in the VLE does not degrade the performance of the learner in the context of a learning procedure.