L’évaluation des actions humaines (HAE) repose sur des jugements concernant l’anormalité et la qualité des mouvements humains. Si elle est effectivement mise en œuvre, une approche d’HAE fondée sur des données squelettiques peut servir à surveiller les effets des thérapies comportementales chez les patients atteints de la maladie d’Alzheimer (MA). Dans cet article, nous proposons un réseau de convolution sur graphe à deux tâches (2T-GCN) pour représenter les données squelettiques dans le cadre de tâches d’HAE incluant la détection d’anomalies et l’évaluation de la qualité. Le réseau est d’abord évalué sur le jeu de données UI-PRMD, où il démontre une détection précise des anomalies. Pour l’évaluation de la qualité, outre les données collectées en laboratoire dans le cadre du jeu UI-PRMD, nous testons le réseau sur un ensemble de données réelles d’exercices recueillies auprès de patients atteints de MA. Un score numérique indiquant le degré de déviation des actions par rapport au comportement normal est utilisé pour refléter la sévérité de la maladie ; nous appliquons donc le 2T-GCN afin d’estimer ces scores. Les résultats expérimentaux montrent que les scores numériques obtenus pour certains exercices réalisés par les patients atteints de MA sont cohérents avec leur niveau de sévérité clinique établi par les professionnels de santé. Cette corroboration souligne le potentiel de notre approche pour le suivi de la maladie d’Alzheimer et d’autres maladies neurodégénératives.