Dans cet article, nous présentons la mise en oeuvre, l’expérimentation et l’évaluation d’une approche pour la recommandation des chemins d’apprentissage dans un cours en ligne. Le processus de recommandation est inspiré de l’intelligence en essaim et plus particulièrement de l’optimisation par colonies de fourmis (OCF) (ant colony optimization [ACO]). Dans ce contexte, nous avons considéré une différenciation des chemins d’apprentissage en fonction de l’activité explorée pour l’apprentissage d’un cours.Dans l’objectif de recommander des chemins d’apprentissage considérés optimaux et d’évaluer ainsi leur impact sur l’apprentissage d’un cours en ligne, l’approche proposée est basée à la fois sur la recommandation de chemins pertinents par l’enseignant et sur les résultats stockés au fur et à mesure par les apprenants sur les chemins empruntés. Notre approche a été validée expérimentalement et les résultats obtenus ont montré l’émergence d’un chemin d’apprentissage favorisant la réussite d’un nombre d’apprenants relativement considérable.In this article, we present the implementation, the experimentation and the evaluation of an approach for the recommendation of learning paths in an online course. The recommendation process is inspired by swarm intelligence and especially the ant colony optimization (ACO). In this context, we considered a differentiation of the learning paths based on the explored educational activity for learning a lesson.With the aim to recommend learning paths considered optimal and thus assess their impact on the learning of an online course, the proposed approach is based both on the recommendation of relevant paths by the teacher and the result stored progressively by learners on the paths taken. Our approach was validated experimentally and the results showed the emergence of a learning path promoting the success of a relatively considerable number of learners