Dans un système de dialogue oral, les composants de suivi d'état de dialogue (DST) suivent l'état de la conversation en mettant à jour une distribution de valeurs associées à chacun des emplacements suivis pour le tour actuel de l'utilisateur, en utilisant les interactions jusqu'à ce moment. La plupart des travaux précédents se sont appuyés sur la modélisation de l'ordre naturel de la conversation, en utilisant des décalages basés sur la distance comme approximation du temps. Dans cette étude, nous formulons l'hypothèse que l'exploitation de la différence temporelle réelle entre les tours est cruciale pour un contrôle plus fin des scénarios de dialogue. Nous développons une nouvelle approche qui applique un {\it masque temporel}, basé sur la différence temporelle réelle, aux plongements (embeddings) associés aux emplacements et nous démontrons empiriquement que notre approche proposée surpasse les approches existantes qui exploitent les décalages basés sur la distance, tant sur un ensemble de données interne qu'en référence au DSTC2.