Une expression explicite de la sensibilité du risque empirique espéré (REE) induit par l’algorithme de Gibbs (AG) dans le problème de l’apprentissage automatique supervisé est présentée. La sensibilité est définie comme la différence entre l’REE induit par l’AG et l’REE induit par une mesure de probabilité alternative sur les modèles. Lorsque plusieurs ensembles de données sont disponibles, la sensibilité joue un rôle central pour déterminer si un REE plus petit peut-être observé comme résultat de l’agrégation de plusieurs ensembles de données. Les conditions nécessaires et suffisantes pour observer une diminution de l’EER due à l’agrégation des données sont présentées. De telles conditions, qui sont sur les paramètres de l’AG et les mesures de référence supposées pour chaque ensemble de données, se résument à l’évaluation du signe d’une somme de certains termes d’entropie relative. À la lumière de ces résultats, la sensibilité apparaît comme (a) une métrique alternative pour évaluer les capacités de généralisation de l’algorithme de Gibbs; et (b) un cadre théorique pour étudier l’impact de l’utilisation de plusieurs ensembles de données décrivant le même phénomène mais soumis à différents systèmes d’acquisition de données, ce qui implique par exemple, différentes propriétés statistiques pour chaque ensemble de données.