Les humains comme les systèmes artificiels utilisent fréquemment une approche par essais/erreurs pour résoudre des problèmes. Ce type d'approche implique généralement de disposer de connaissances fiables en vue de guider efficacement la recherche d'une solution optimale. Malheureusement, ces connaissances sont rarement parfaites. De plus, il s'avère souvent difficile pour les systèmes artificiels comme pour les humains d'évaluer leurs propres connaissances. Notre objectif est de proposer une approche d'évaluation automatique de la qualité des connaissances utilisées pour la recherche d'une solution optimale. Nous nous intéresserons dans ce cadre à un type spécifique d'approche de résolution de problèmes par essais/erreurs : l'exploration informée d'arbres d'états. L'approche que nous proposons consiste à analyser les traces du système et à utiliser la théorie des fonctions de croyance pour évaluer la qualité globale des connaissances. Nous présentons, au travers d'une expérimentation, une application réelle de notre approche dans le domaine de la généralisation cartographique. Cette expérimentation montre des résultats encourageants pour notre approche.