Swipeblocked révèle 4 513 expressions anglaises que le clavier de l'iPhone ne suggère pas

L'utilisateur fait glisser son doigt sur le clavier, s'attend à un mot familier et obtient un remplacement étrange. Première pensée : la reconnaissance s'est encore trompée. Pourtant, la cause peut être un filtre qui vérifie l'association de mots et supprime la suite indésirable. Si, pour y parvenir, le système modifie un texte déjà saisi, la fonction de protection devient un problème d'ergonomie.

Le projet Swipeblocked permet de jeter un œil à ces restrictions du clavier de l'iPhone. Son auteur, Derik Kauffman, a reconstitué des listes à partir des fichiers de langue d'Apple et les a publiées avec une explication de sa méthode. Le site propose 4 513 expressions anglaises. Pour les équipes qui développent de l'autocomplétion, de la recherche ou des éditeurs dopés à l'IA, c'est l'occasion de vérifier leur propre produit : que devient le texte une fois le filtre déclenché ?

Quand la suggestion se met à éditer l'utilisateur

La page du projet donne un exemple : après les mots left wing, l'utilisateur saisit conspiracy par glissement. Le clavier remplace le wing précédent par wrong, contournant ainsi l'association présente dans la liste. L'utilisateur voit un changement à un endroit où il avait peut-être déjà fini d'écrire et ne surveillait plus le résultat.

D'après l'auteur, les restrictions touchent la prédiction du mot suivant et la saisie par glissement, mais leur portée diffère. Il reste possible de taper l'expression lettre par lettre. C'est une limite importante : le système restreint ses propres suggestions et variantes de reconnaissance tout en conservant la saisie manuelle.

Imaginez une mécanique similaire dans un éditeur de courriels clients. Un employé rédige une réclamation et cite une remarque grossière d'un acheteur. Le filtre repère l'association indésirable, l'éditeur insère un autre mot, et la citation perd en exactitude. En apparence, l'interface continue de fonctionner : le texte s'affiche, aucune erreur n'apparaît. Mais la tâche de l'utilisateur est déjà mal accomplie. Ce sont précisément ces cas qu'on laisse facilement passer si l'on évalue la protection uniquement au nombre d'expressions supprimées.

Ce qu'il a été possible d'extraire des fichiers

Selon l'analyse technique de Kauffman, les tables contiennent des empreintes numériques de séquences de mots. L'auteur a testé des combinaisons possibles et vérifié les correspondances. Le terme « déchiffré » doit donc être employé avec réserve : le chercheur n'a pas obtenu de document source expliquant les décisions d'Apple.

La méthode a ses limites. Les correspondances d'empreintes exigent des vérifications supplémentaires, et la reconstitution de certaines listes linguistiques reste incomplète. De plus, l'auteur a testé le comportement sur des appareils et dans le simulateur pour des expressions choisies. On ne peut pas supposer automatiquement que chaque ligne publiée se manifestera de la même façon sur l'écran de tout propriétaire d'iPhone.

Le message d'origine, en russe, attire l'attention sur des associations absurdes et sur l'inégalité des restrictions. Mais on ne peut pas déduire d'une ligne étrange l'histoire de son apparition. Il pouvait s'agir d'un modèle, d'une particularité des données linguistiques ou d'une décision éditoriale isolée. Sans documents internes de l'entreprise, toute explication relative à ses processus reste une interprétation.

Pour la pratique, un autre point est plus important : la liste montre des résultats concrets du mécanisme, mais ne fournit pas d'évaluation toute faite de sa qualité. Pour juger cette qualité, il faut savoir quelles tâches des utilisateurs il préserve, lesquelles il casse, et à quelle fréquence.

Que vérifier dans votre produit

Si votre système suggère ou réécrit du texte, commencez par un petit ensemble de scénarios. Prenez une réclamation ordinaire, une citation, une négation, le nom d'une organisation et quelques reformulations d'un même message. Vérifiez si le sens est conservé après filtrage et si l'utilisateur peut obtenir le résultat voulu sans lutter contre l'interface.

Examinez à part la saisie déjà validée. Modifier le mot précédent exige plus d'attention qu'une suggestion qui disparaît : l'utilisateur pouvait considérer ce passage comme terminé. Pour le product manager, c'est une question de confiance ; pour le développeur, une raison de définir explicitement les limites de l'édition automatique et de rendre l'intervention visible.

Il est aussi utile de séparer les mesures. Le nombre de suggestions indésirables masquées est une métrique. Le nombre de tâches correctes gâchées en est une autre. L'amélioration de la première ne dit rien, en soi, sur la seconde. Il faut des exemples d'erreurs, une comparaison des versions et la possibilité de comprendre quelle règle a provoqué le remplacement.

Swipeblocked est intéressant précisément comme matière à une telle analyse. Il aide à voir comment une restriction technique compacte influe sur la saisie quotidienne. L'étape suivante pour votre équipe est très concrète : parcourir les scénarios utilisateurs critiques avec le filtre activé et relire le texte obtenu dans son intégralité.