Dans la littérature, la plupart des travaux sur les bandits manchots sont évalués à l'aide d'une mesure de la préci-sion globale. Concernant les bandit-manchots contextuels, les approches existantes ont pour objectif d'atteindre une personnalisation individuelle. Ainsi, leur précision globale devrait refléter la précision individuelle pour chacun des utilisateurs. Afin de mesurer le niveau de personnalisation atteint par ces approches, nous avons défini une nouvelle évaluation comparant les précisions individuelles des re-commandations faites à chaque utilisateur avec la préci-sion globale. Sur la base de cette comparaison, démontrant des disparités entre la précision individuelle et la moyenne de précision globale, nous proposons Sliding Window Li-nUCB (SW-LinUCB). SW-LinUCB est une combinaison de LinUCB (CMAB) et d'un mécanisme de diversification pénalisant les bras sélectionnés trop fréquemment. Notre approche, inspirée d'applications réelles, comme les sys-tèmes de recommandation, ne nécessite pas uniquement d'atteindre une bonne précision globale mais doit aussi te-nir compte de la précision individuelle. Nous expérimen-tons et discutons nos résultats sur plusieurs jeux de données réelles.