Nous décrivons une méthode pour comparer des techniques de diagnostic des connaissances en fonction de leur impact sur les prises de décision de l'EIAH. À partir de traces d'apprenants, nous utilisons une méthode de classification automatique pour prédire le résultat (succès ou échec) d'une aide donnée par l'EIAH, en prenant en considération des informations sur l'apprenant, la tâche et l'état des connaissances de l'apprenant. Il en résulte une stratégie d'aide apprise automatiquement et permettant de sélectionner dans une situation donnée l'aide ayant la probabilité la plus élevée de succès. Le moyen usuel mais coûteux d'évaluer une telle stratégie d'aide est de l'implémenter et de la tester sur de nouveaux apprenants, ce qui nécessite du temps et des moyens. Nous utilisons plutôt des données déjà collectées, où les aides sont données aléatoirement aux apprenants, pour simuler l'impact d'une stratégie d'aide. Nous comparons ensuite différentes stratégies d'aide basées sur différentes techniques de diagnostic. Nous avons testé notre méthode en utilisant les données du Reading Tutor (projet LISTEN), destiné à l'apprentissage de la lecture. Nous rapportons la précision de la prédiction de quatre techniques de diagnostic en validation croisée, puis comparons l'impact des stratégies d'aide basées sur ces techniques. Notre méthode fournit une métrique pour comparer différentes techniques de diagnostic fondées sur leur utilité pour les prises de décision de l'EIAH.