Cet article examine la sensibilité de quatre moteurs de méta-recherche à différents facteurs et contextes d’utilisation. L’accent de l’étude est mis sur les méta-moteurs capables d’apprendre à partir d’exemples. L’apport original de notre travail consiste en une exploration systématique sur des corpus de grande taille des performances et du comportement des méthodes d’apprentissage pour la méta-recherche. D’abord, nous nous intéressons au choix de la représentation des attributs (les scores renvoyés par les moteurs de base). Nous examinons ensuite la performance des méta-moteurs sur différents types de requêtes de test. Nous présentons des expériences montrant l’influence des propriétés et du nombre des données d’apprentissage sur la performance finale sur les données de test. Enfin, nous donnons des résultats préliminaires sur la possibilité de sélectionner des requêtes par apprentissage actif. Toutes ces expériences démontrent que l’apprentissage supervisé de fonctions d’ordonnancement est particulièrement efficace pour la méta-recherche et offre des performances uniformément meilleures que celles obtenues par les moteurs individuels et les heuristiques de combinaison. Ces méthodes sont de plus robustes à des facteurs comme le codage des résultats des moteurs de base et la variabilité de la base d’apprentissage.