… pour analyser les mouvements sportifs. La première consiste en l’analyse des caractéristiques biomécaniques. Nous adoptons une méthode classique qui consiste à entraîner un modèle d’apprentissage automatique, puis à l’interpréter à l’aide de techniques d’intelligence artificielle explicable. Un régresseur à forêts aléatoires quantiles est utilisé afin de mettre l’accent sur les meilleures performances, et le modèle est interprété à l’aide des SHapley Additive exPlanations (SHAP), ainsi que des graphiques de dépendance partielle (PDP) et des courbes d’espérance conditionnelle individuelle (ICE). Cette analyse permet de dégager des observations cohérentes avec la littérature existante. Toutefois, cette approche présente une limite : elle ne permet pas de modéliser les interactions entre caractéristiques, pourtant fréquemment présentes. Pour y remédier, nous proposons une méthode innovante permettant d’estimer les interactions fonctionnelles — c’est-à-dire non seulement quantifier l’intensité des interactions, mais aussi caractériser leur nature et leur localisation. La seconde approche se concentre sur l’analyse des séquences de poses, avec un accent particulier sur l’interprétation des modèles temporels de type boîte noire. Nous générons des explications contrefactuelles à l’aide d’un modèle basé sur un autoencodeur parcimonieux. Les résultats expérimentaux montrent que notre méthode produit des explications à la fois fidèles et robustes.