L’étude des activités de résolution créative de problèmes enrichit notre compréhension de l’apprentissage humain en permettant d’observer les comportements humains dans des situations réelles de résolution de problèmes ouverts et complexes. L’observation des actions effectuées est située dans le temps, ce qui permet la création de séquences temporelles d’observations, qui peuvent être représentées par des séquences symboliques. L’analyse de ces séquences temporelles permet ainsi de mieux comprendre le rôle de la temporalité dans l’adoption de stratégies pour la résolution créative de problèmes. Pour cela, nous proposons d’utiliser des algorithmes de clustering afin de regrouper des séquences similaires qui pourraient ainsi être associés à des types de comportements, que ce soit des comportements généraux pour l’activité ou des comportements relatifs à seulement une sous-séquence d’actions. Les algorithmes de clustering nécessitent la définition d’une distance entre ces structures temporelles et symboliques. Nous utilisons le Dynamic Time Warping (DTW) (ou déformation temporelle dynamique) comme méthode permettant de calculer la dissimilarité entre les séquences. Cependant, dans l’optique d’utiliser des algorithmes tels que l’algorithme des k-moyennes, nous avons besoin de mettre en place un algorithme permettant de calculer des centroïdes. Pour cela, nous utilisons un algorithme nommé le DTW Barycenter Averaging (DBA). Cependant, le DBA n’est finalement pas pertinent dans notre analyse de données, car la méthode donne lieu à des centroïdes non interprétables, et pour d’autres raisons relatives à la structure hiérarchique de nos données symboliques. Ainsi, nos prochains travaux se concentreront sur l’utilisation des médoïdes à la place des centroïdes.