Pendant le premier confinement Covid19 en France, les étudiants ont dû passer à un mode d'apprentissage entièrement en ligne. C'est pourquoi, comprendre le comportement numérique des étudiants devient crucial pour les analystes qui travaillent pour les politiques des institutions publiques. En particulier, ils veulent déterminer et interpréter l'évolution du comportement numérique des étudiants. Cet article vise à leur offrir des indicateurs. Nous proposons d'étudier les logs génériques des étudiants correspondant aux services standard d'espace de travail numérique. Cet article contribue à la question scientifique : pouvons-nous donner un indicateur facile à interpréter et visuel pour modéliser les changements de comportement des étudiants à partir de données pauvres et génériques ? Nous vérifions d'abord que nous pouvons extraire des motifs temporels spécifiques à l'épidémie sur ces logs en utilisant la fouille de Contrastes (Contrast Mining). Ces motifs représentent les comportements des étudiants ainsi que leur évolution dans le temps. Ensuite, nous proposons une nouvelle méthode appelée Temporal Pattern Histories (TPH), représentant l'évolution des motifs temporels dans le temps. Il s'agit d'une représentation dynamique du comportement numérique des étudiants. En utilisant cette méthode, nous présentons graphiquement des changements abrupts pendant le confinement Cov19 et nous formulons des hypothèses sur ces résultats. Cette étude de cas prouve la pertinence de TPH pour détecter et analyser les changements de comportement des étudiants de manière interprétative. Cette approche a l'avantage de représenter l'évolution globale du comportement des étudiants sans donner d'informations spécifiques sur les étudiants.