Les interfaces homme-machine tactiles permettent de nouveaux modes d'interaction comme l'utilisation de commandes gestuelles. Afin de mémoriser facilement plus d'une douzaine de commandes, il est important de pouvoir les personnaliser. Le classifieur utilisé pour reconnaître les symboles dessinés doit donc être personnalisable, pouvoir s'initialiser à partir de très peu de données, et évolutif, pouvoir s'améliorer pendant son utilisation. Ces travaux étudient l'importance et les différentes stratégies d'étiquetage du flux de données d'utilisation pour l'apprentissage en-ligne du classifieur. Nous comparons sept stratégies de supervision, dépendants des interactions utilisateur (sollicitation par le système) et des capacités d'auto-évaluation du classifieur (notion de rejet). Nous montrons dans cet article que la stratégie donnant les meilleurs résultats est d'apprendre à partir des données validées implicitement par l'utilisateur, et de celles soumises à validation explicite car rejetées par le classifieur.