Les modèles d’intelligence artificielle connaissent actuellement une croissance considérable. Malgré la confiance qui leur est accordée au quotidien, ces algorithmes peuvent pourtant être victimes de biais et produire des résultats discriminants pour les individus. La traduction automatique neuronale repose sur cette technologie, c’est pourquoi elle est également sujette à ce phénomène algorithmique. Les experts du domaine cherchent donc à identifier et réduire les biais, en s’intéressant notamment à la question du genre. En s’appuyant sur leurs études, le présent mémoire vise à analyser différents facteurs afin de déterminer s’ils influencent la présence des biais de genre dans la traduction automatique neuronale de phrases contenant des noms de métiers. À partir d’une évaluation humaine sur la traduction réalisée par cinq modèles neuronaux d’un corpus de type test suite, l’analyse confirme le rôle des stéréotypes comme source principale des biais tout en contribuant à la compréhension des autres facteurs étudiés.