Cette communication propose un examen du sous-corpus grec-français du projet MUST (Multilingual Student Translation) (Granger & Lefer, 2020), en combinant une analyse de registre et une comparaison avec la traduction automatique. Le corpus comprend 35 copies d’examen réalisées sans accès aux outils numériques par des étudiants de troisième année traduisant vers le français, dans un module où le transfert du registre ne figure pas parmi les objectifs d’enseignement. Elles sont issues de deux sessions de l’année 2024–2025 caractérisées par des registres contrastés : un texte journalistique-descriptif et une chronique personnelle. Les mêmes textes sources ont été soumis à deux systèmes d’IA générative (LLM), ChatGPT (OpenAI) et Claude (Anthropic), afin de constituer un ensemble de traductions automatiques comparables, selon trois conditions de prompting destinées à isoler l’effet du prompt : consigne d’examen seule, consigne assortie d’une instruction de registre, traduction sans contrainte de format.

L’analyse s’articule autour de deux axes. Le premier examine l’effet du registre textuel sur les stratégies de transfert des référents culturels : le texte journalistique génère des culturèmes matériels et gastronomiques (μπρίκι, γλυκό του κουταλιού), tandis que la chronique personnelle produit des culturèmes gastronomiques inégalement internationalisés (μουσακάς vs γεμιστά) et des référents porteurs d’une forte charge affective (κουτσομπολιά, πατρικό). Le second axe confronte les productions étudiantes aux traductions automatiques des mêmes textes. S’appuyant sur la taxonomie d’Aixelá (1996), les techniques de traduction de Molina & Hurtado Albir (2002) et les travaux récents sur le traitement automatique des référents culturels (Budimir, 2025 ; Mattioda, 2025), l’examen révèle que l’écart entre traduction étudiante et traduction algorithmique varie en fonction du registre, ainsi que du type de référent culturel. Les systèmes d’IA générative neutralisent à des degrés variables les culturèmes expérientiels au profit de la transparence communicative. Il apparaît que c’est le registre subjectif, bien plus que les culturèmes, qui résiste à l’algorithme.

S’inscrivant dans la perspective de la biotraduction, cette étude confronte les procédés mobilisés de part et d’autre (emprunt, explicitation, universalisation, omission) et pose le registre comme une variable pertinente dans la formation des traducteurs à l’ère numérique.

Aixelá, J. F. (1996). Culture-specific items in translation. In R. Álvarez & M. C.-A. Vidal (Eds.), Translation, Power, Subversion, 52–78. Clevedon: Multilingual Matters.

Budimir, B. (2025). The Challenge of Translating Culture-Specific Items: Evaluating MT and LLMs Compared to Human Translators. In Proceedings of Machine Translation Summit XX: Volume 1, 455–467. European Association for Machine Translation.

Granger, S. & Lefer, M.-A. (2020). The Multilingual Student Translation corpus: A resource for translation teaching and research. Language Resources and Evaluation, 54(4), 1183–1199.

Mattioda, M. M. (2025). L’Intelligence artificielle au service de la didactique de la traduction à l’Université : quel apport pour la gestion des culturèmes et pour le développement des compétences interculturelles ?. Revue TDFLE, 85.

Molina, L. & Hurtado Albir, A. (2002). Translation techniques revisited: A dynamic and functionalist approach. Meta, 47(4), 498–512.