СТИЛИСТИЧЕСКАЯ АДАПТАЦИЯ МЕДИАТЕКСТОВ С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНЫХ МОДЕЛЕЙ CHATGPT И DEEPSEEK

Исследуется применение генеративных моделей искусственного интеллекта для стилистической адаптации медиатекстов в цифровых СМИ. Цель работы - выявить закономерности взаимодействия между формулировкой управляющих инструкций (промптов) и качеством сгенерированных текстов на примере моделей ChatGPT и DeepSeek. В ходе эксперимента использованы два типа промптов - неформальный (стиль студента-геймера) и академический (строгий аналитический стиль), которые применялись к трем тематическим категориям текстов: спортивным, экономическим и культурологическим. Методология включала качественный контент-анализ по четырем критериям: фактологическая точность, стилистическая адекватность, текстовая связность и креативная вариативность. Результаты показали, что ChatGPT эффективно создает эмоционально насыщенные тексты с элементами поп-культуры, но иногда допускает избыточные метафоры и опускает детали. DeepSeek демонстрирует более сбалансированный подход, сохраняя структурированность и точность даже в неформальном стиле. Наибольшее влияние на результат оказала точность формулировки промптов, особенно при указании жанра, стиля и целевой аудитории. Исследование подтверждает, что выбор модели должен зависеть от конкретных задач: ChatGPT предпочтителен для вовлекающего контента, а DeepSeek - для материалов, требующих ясности и логической строгости. Авторы подчеркивают необходимость авторского контроля для минимизации рисков искажения информации и предлагают дальнейшую разработку оптимизированных шаблонов промптов для различных жанров. Работа вносит вклад в развитие практик промпт-инжиниринга и расширяет понимание возможностей генеративных моделей в медиапроизводстве.

The. article explores the use of generative models of artificial intelligence for stylistic adaptation of media texts in digital media. The aim of the work is to identify patterns of interaction between the wording of control instructions (prompts) and the quality of generated texts using the example of the ChatGPT and DeepSeek models. During the experiment, two types of prompts were used: informal (student-gamer style) and academic (strict analytical style), which were applied to three thematic categories of texts: sports, economics and cultural studies. The methodology included qualitative content analysis according to four criteria: factual accuracy, stylistic adequacy, textual coherence and creative variability. The results showed that ChatGPT effectively creates emotionally rich texts with elements of pop culture, but sometimes allows redundant metaphors and omits details. DeepSeek demonstrates a more balanced approach, maintaining structure and accuracy even in an informal style. The greatest impact on the result was the accuracy of the wording of the prompts, especially when specifying the genre, style, and target audience. The study confirms that the choice of model should depend on specific tasks: ChatGPT is preferable for engaging content, and DeepSeek is preferable for materials that require clarity and logical rigor. The authors emphasize the need for authorial control to minimize the risks of information distortion and suggest further development of optimized prompt templates for various genres. The work contributes to the development of prompt engineering practices and expands the understanding of the capabilities of generative models in media production.