Le présent article est un résumé de l'article de Hien et al. (2023b) (publié à la conférence PAKDD 2023). Nous y introduisons la notion de motif discriminant que nous exploitons dans un cadre interactif de fouille de motifs. Il s'agit d'une approche de fouille de motifs centrée sur l'utilisateur qui exploite les préférences de ce dernier pour guider la recherche vers des motifs pertinents pour lui. Cela est rendu possible par l'introduction de mécanismes de feedback qui permettent à l'utilisateur de spécifier ses préférences sur les motifs extraits. Les approches existantes présentent une faiblesse consistant en l'utilisation de descripteurs statiques de bas niveau qu'elles exploitent pour apprendre des poids indépendants représentant l'importance de ces descripteurs pour l'utilisateur. Nous introduisons de nouveaux descripteurs plus complexes qui sont dérivées directement du feedback de l'utilisateur. Ces descripteurs sont utilisés pour apprendre des poids que nous agrégeons à ceux des descripteurs de bas niveau avec pour objectif d'améliorer l'apprentissage des préférences de l'utilisateur.