TL;DR
Когда просишь GPT адаптировать текст под аудиторию — он переписывает слишком много, слишком длинно и слишком правильно. Исследование сравнивало, как GPT-4o и живые люди редактировали тексты под разные аудитории (дети, менеджеры). Оказалось, что GPT пишет версии для детей вдвое длиннее, чем это делают люди, — и с более правильным языком, хотя дети привыкли к небрежной живой речи.
Главная находка: у LLM нет человеческих "несовершенств" — и это проблема. Люди, адаптируя текст для детей, инстинктивно делают язык ломаным, коротким, с паузами. GPT делает язык технически простым, но мертво-правильным. Плюс модель слишком рьяно переписывает — правит текст даже когда он уже подходит под аудиторию. Человек при такой же задаче чаще просто удаляет лишние куски, не перефразируя.
Из этого вытекают два применимых вывода: двухшаговый промпт (сначала проверь — потом редактируй, не сразу) и явный список предпочтений вместо примеров. Второй подход — когда пишешь модели "вот твои правила стиля" явным текстом — работает лучше, чем просто показывать примеры редактуры и надеяться, что она сама поймёт паттерн.
Схема метода
Два отдельных запроса подряд:
ПРОМПТ 1 (ПРОВЕРКА):
Текст: {текст}
Аудитория: {описание_аудитории}
Только ответь ДА или НЕТ: этот текст подходит для аудитории?
↓ Если НЕТ →
ПРОМПТ 2 (РЕДАКТУРА):
Отредактируй текст для {аудитория}.
Список стилевых правил: {явный_список_предпочтений}
После редактуры — добавь 3-5 правил, которые ты применил.
Обнови список правил на основе этих изменений.
Логика накопления: после каждого редактирования список правил пополняется. Следующий текст уже получает обновлённый список — модель адаптируется к твоему стилю итеративно.
Пример применения
Задача: Ты ведёшь детский образовательный Telegram-канал «Наука для пятиклашек» и хочешь адаптировать под него статью о чёрных дырах, написанную для взрослых.
Промпт 1 — Проверка:
Текст: «Чёрная дыра — область пространства-времени, гравитационное притяжение которой настолько велико, что её не может покинуть ни вещество, ни электромагнитное излучение, включая видимый свет.»
Аудитория: дети 10-12 лет, читают Telegram на телефоне во время перемены, привыкли к мемам и коротким фразам, не любят сложные слова.
Только ответь ДА или НЕТ: этот текст подходит для этой аудитории?
Промпт 2 — Редактура:
Отредактируй текст для детей 10-12 лет (Telegram-канал, перемена, мемы, короткие фразы).
Список стилевых правил:
— Максимум 50-60 слов
— Никаких терминов без объяснения
— Разговорный тон, можно одно сравнение из жизни
— Одно-два предложения максимум на мысль
После редактуры добавь 3-5 правил, которые применил.
Обнови итоговый список правил.
Текст для редактуры: «Чёрная дыра — область пространства-времени...»
Результат: Промпт 1 даст короткий ответ «НЕТ» — без лишней редактуры. Промпт 2 выдаст адаптированный текст плюс обновлённый список правил. Этот список можно копировать в следующий запрос — так накапливается персональный стиль канала.
Почему это работает
Без двухшагового промпта GPT переписывает всё подряд. Это показало исследование напрямую: когда модели давали задачу "просто отредактируй", она правила даже уже подходящие тексты. Люди так не делают — если текст «достаточно хорош», человек жмёт «окей» и идёт дальше. Проверочный шаг ДА/НЕТ имитирует это человеческое поведение.
Явный список правил работает лучше примеров. Когда модель видит 5 примеров твоей редактуры и должна сама понять паттерн — она угадывает неточно. Когда список правил написан явно — "короче 60 слов, разговорный тон, никаких терминов" — она следует им точнее. Это подтвердилось на реальных участниках: rolling preferences (явный список) дал значимое улучшение, а in-context examples — нет.
Рычаги управления: - Длина списка правил → 3-5 правил достаточно; длинный список путает модель - Точность описания аудитории → чем конкретнее ("читают на перемене с телефона"), тем точнее результат - Порог проверки → вместо ДА/НЕТ можно поставить шкалу 1-10 и редактировать только если ниже 7
Шаблон промпта
Шаг 1 — Проверка:
Текст: {текст}
Аудитория: {описание_аудитории — кто, где читает, что любит, что не любит}
Только ответь ДА или НЕТ: этот текст подходит для этой аудитории?
Шаг 2 — Редактура (запускай только если получил НЕТ):
Отредактируй текст для аудитории: {описание_аудитории}
Список стилевых правил:
{правило_1}
{правило_2}
{правило_3}
После редактуры:
1. Перечисли 3-5 правил, которые применил
2. Обнови итоговый список правил
Текст: {текст}
Плейсхолдеры:
- {текст} — исходник для редактуры
- {описание_аудитории} — конкретно: возраст, платформа, контекст чтения, привычки
- {правило_1-3} — стартовый список: длина, тон, запрещённые приёмы
🚀 Быстрый старт — вставь в чат:
Вот двухшаговый шаблон для адаптации текстов под аудиторию.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про аудиторию и стартовый список правил — потому что без них модель не знает, в какую сторону редактировать и что накапливать.
Почему ещё важно знать
Одна находка — не про промптинг, а про здравый смысл при работе с LLM:
Если ты проверяешь идею, текст или продукт через "спроси GPT, как отреагирует аудитория" — результат будет слишком оптимистичным. Модель симулирует идеального пользователя: терпеливого, внимательного, не уставшего. Живые люди устают, халтурят, не дочитывают.
Вывод прямой: используй LLM для подготовки к тестированию с людьми, не вместо него. Симуляция помогает быстро сравнить варианты и отсечь явно слабые — но финальный ответ даёт только живая аудитория.
Ограничения
⚠️ LLM не заменяет живую аудиторию для детского и неформального контента: модель систематически делает язык длиннее и правильнее, чем нужно. Даже при явном промпте "пиши для детей" — контролируй длину и тон вручную.
⚠️ Список правил нужно стартовать вручную: метод накопления предпочтений только улучшает то, что уже есть. Если стартовый список пустой или неточный — адаптация идёт медленно.
⚠️ Для менеджерской/деловой аудитории модель справляется лучше: GPT по умолчанию пишет ближе к тому, что нужно CEO и руководителям. Двухшаговая схема там менее критична.
Ресурсы
Статья: A comparison of human and LLM-simulated participants in a writing style task
Авторы: Felix Gröner, Erin K. Chiou — Arizona State University, Mesa, Arizona, USA
Опирается на: PRELUDE framework (Gao et al., 2024) — фреймворк обучения на основе пользовательских правок; Aroca-Ouellette et al. (2024) — критика PRELUDE