Nous étudions la classification d'événements d'apprentissage extraits des journaux d'un Learning Management System (LMS) d'entreprise, en vue de prédire l'achèvement de ressources par les utilisateurs. Une chaîne de fiabilisation est mise en œuvre, combinant l'appariement automatique des traces front-end et pédagogiques, l'application d'une tolérance temporelle, un filtrage selon la couverture et la stabilité, ainsi qu'une évaluation hors période. À partir de cette base consolidée, nous générons un large ensemble d'attributs comportementaux et temporels, appliquons un prétraitement homogène, et comparons plusieurs modèles de classification. La forêt aléatoire atteint une PR-AUC de 0,72 et une ROC-AUC de 0,92. La sélection d'attributs et le réglage d'hyperparamètres sont formulés comme un problème d'optimisation bi-objectif, visant à maximiser la PR-AUC en validation croisée tout en minimisant le nombre d'attributs, résolu via l'algorithme NSGA-II. Ce cadre propose une méthode compacte, efficace et interprétable pour exploiter les journaux LMS, et constitue une étape préalable aux travaux futurs de profilage utilisateur et de recommandation multi-objectif.