Le besoin d'une évaluation automatique des compétences chirurgicales est en augmentation, notamment parce que les retours manuels des chirurgiens expérimentés observant les chirurgiens juniors sont sujets à la subjectivité et consomment beaucoup de temps. Par conséquent, l'automatisation de l'évaluation des compétences chirurgicales constitue une étape très importante pour améliorer la pratique chirurgicale. Dans cet article, nous avons conçu un réseau neuronal convolutif (CNN) pour évaluer les compétences des chirurgiens en extrayant des motifs dans les mouvements effectués lors de la chirurgie robotique. La méthode proposée a été validée sur le jeu de données JIGSAWS et a obtenu des résultats très compétitifs avec une précision de 100 % pour les tâches de sutures et de passage d'aiguille. Bien que nous ayons tiré parti de l'efficacité des CNN, nous avons également réussi à atténuer son effet boîte noire grâce à la carte d'activation de classe. Cette fonctionnalité permet à notre méthode d'identifier automatiquement les parties de la tâche chirurgicale qui ont influencé la prédiction des compétences et peut être utilisée pour expliquer la classification et fournir un retour personnalisé au stagiaire.