L'apprentissage actif est le domaine qui regroupe l'ensemble des stratégies permettant de construire itérativement l'ensemble d'apprentissage d'un modèle en interaction avec un expert humain, l'objectif étant de sélectionner les exemples les plus informatifs pour minimiser le coût d'étiquetage. Bien que ce domaine soit assez ancien, la mise en œuvre de stratégies d'apprentissage actif en contexte industriel est encore difficile. En particulier, il n'existe pas de stratégie dans l'état de l'art qui soit meilleure que les autres dans tous les contextes. Dans cet article, nous évaluons une méthode représentative d'une orientation récente de la recherche en apprentissage actif vers des méthodes de méta-apprentissage permettant d'apprendre de nouvelles stratégies d'apprentissage actif (Konyushkova et al., 2019). Nous comparons notamment les performances d'une stratégie apprise via cette méthode avec celles d'une stratégie d'échantillonnage basé sur l'incertitude, lauréate de plusieurs benchmarks (Yang et Loog, 2018; Pereira-Santos et al., 2019).