Des recherches antérieures sur l’apprentissage moteur ont étudié les effets de divers programmes d’entraînement sur les performances d’apprentissage. Si le fait de s’entraîner davantage améliore l’apprentissage, l’entraînement doit être adapté au niveau de compétence de l’apprenant. Une approche est de concevoir des systèmes interactifs d’aide à l’apprentissage qui s’adaptent à l’apprenant. Seulement, la conception de tels systèmes semble manquer de résultats théoriques sur les mécanismes d’adaptation. Ici, nous étudions les effets d’une personnalisation en temps-réel de la pratique par le biais d’un algorithme MAB (Multi-Armed Bandit). Nous avons conduit une étude contrôlée en laboratoire avec une tâche motrice simple impliquant des mouvements de pointage où le poignet pilote un curseur dans un canal. Nous montrons que l’algorithme MAB surpasse les algorithmes standards en réduisant efficacement la variabilité du mouvement et que cette adaptation rend homogène les compétences des apprenants. Ces résultats ont des implications théoriques qui nous permettent d’éclairer la conception de systèmes interactifs d’aide à l’apprentissage.