De récents progrès ont été réalisés dans le domaine de la classification multi-labels en flux, où une instance peut être associée à plusieurs labels simultanément. Les recherches les plus récentes se sont concentrées sur l'adaptation des modèles à la distribution dynamique des flux de données non-stationnaires. Cependant, l'apprentissage continu ne se réduit pas à une adaptation à la dérive de concept : des phénomènes tels que l'oubli catastrophique, ainsi que les transferts en avant et en arrière apparaissent lorsque de nouvelles tâches de classification apparaissent dans le flux de données. L'objectif de cet article est d'élaborer un protocole standardisé d'évaluation spécifiquement adapté à l'étude de ces phénomènes pour identifier les stratégies les plus prometteuses pour ce nouveau problème d'apprentissage multi-labels et multi-tâches sur des données tabulaires en flux. Ce protocole inclut (i) la création de flux multi-labels et multi-tâches et (ii) un protocole d'évaluation permettant de mesurer (a) les performances en ligne, (b) les phénomènes liés à l'apprentissage continu et (c) les ressources consommées. Ce protocole est utilisé pour la comparaison de 12 stratégies de classification multi-labels continue sur 4 jeux de données ouvertes de la littérature et 3 jeux de données simulées. Cette analyse exploratoire nous a permis d'identifier le caractère prometteur des réseaux de neurones frugaux couplés à un rejeu de données.