Journal of Technology and Information Education 2026, 18(1):138-147 | DOI: 10.5507/jtie.2026.009
BARIÉRY UMĚLÉ INTELIGENCE PŘI ŘEŠENÍ LOGICKÝCH ÚLOH PRO ŽÁKY MLADŠÍHO ŠKOLNÍHO VĚKU
- Univerzita Palackého v Olomouci, Česká republika
Článek se zabývá analýzou chyb v řešeních matematických úloh generovaných vybranými systémy umělé inteligence se zaměřením na úlohy určené žákům mladšího školního věku. Výzkum vychází ze souboru 144 úloh soutěže Matematický klokan, přičemž podrobná analýza je věnována úlohám kategorie Klokánek. Úlohy byly zadány třem systémům generativní umělé inteligence (Gemini 2.0 Flash, ChatGPT a Microsoft 365 Copilot) v tzv. zero-shot režimu. Cílem studie bylo porovnat výkon jednotlivých AI systémů a identifikovat strukturu a příčiny chyb v jejich řešeních. Výsledky ukazují statisticky významné rozdíly mezi jednotlivými systémy a zároveň poukazují na zvýšenou chybovost v úlohách s geometrickým a logickým kontextem. Tyto chyby jsou interpretovány v rámci konceptu vtěleného poznání, který umožňuje vysvětlit rozdíly mezi formálně správným, avšak kontextově neadekvátním řešením AI a intuitivním řešením dětí.
Klíčová slova: umělá inteligence, Matematický klokan, kategorie Klokánek, slovní úlohy, 1. stupeň ZŠ.
Vloženo: 9. únor 2026; Revidováno: 9. srpen 2026; Přijato: 9. únor 2026; Zveřejněno: 2. září 2026 Zobrazit citaci
| ACS | AIP | APA | ASA | Harvard | Chicago | Chicago Notes | IEEE | ISO690 | MLA | NLM | Turabian | Vancouver |
Reference
- Bártek, K., Bártková, E., Mrkvan, K., & Nocar, D. (2025). Možnosti a limity LLM v geometrické přípravě budoucích učitelů 1. stupně základních škol. Elementary Mathematics Education Journal, 7(2). 89-103. https://emejournal.upol.cz/Issues/Vol7No2/Vol7No2_Bartek-et-al.pdf
Přejít k původnímu zdroji... - Boye, J., & Moell, B. (2025). Large language models and mathematical reasoning failures. arXiv. https://arxiv.org/abs/2502.11574
- Hendrycks, D., Burns, C., Kadavath, S., Arora, A., Basart, S., Tang, E., Song, D., & Steinhardt, J. (2021). Measuring Mathematical Problem Solving With the MATH Dataset. arXiv. https://arxiv.org/abs/2103.03874
- Kambhampati, S. (2024). Can large language models reason and plan? Annals of the New York Academy of Sciences, 1534(1), 15-18. https://doi.org/10.1111/nyas.15125 Přejít k původnímu zdroji...
- Lakoff, G., & Núñez, R. E. (2000). Where mathematics comes from: How the embodied mind brings mathematics into being. New York: Basic Books. https://pages.ucsd.edu/~rnunez/ COGS252_Readings/Preface_Intro.PDF
- Shapiro, L., & Spaulding, S. (2025) Embodied Cognition. The Stanford Encyclopedia of Philosophy (Summer 2025 Edition). https://plato.stanford.edu/archives/sum2025/entries/ embodied-cognition/
- Schoenfeld, A. H. (2016). Learning to Think Mathematically: Problem Solving, Metacognition, and Sense Making in Mathematics (Reprint). Journal of Education, 196(2), 1-38. Přejít k původnímu zdroji...
- Strohmaier, A. R., Van Dooren, W., Seßler, K., Greer, B., & Verschaffel, L. (2025). Large language models don't make sense of word problems: A scoping review from a mathematics education perspective. arXiv. https://arxiv.org/abs/2506.24006
- UNESCO. (2023). Guidance for generative AI in education and research. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000386693
- Xu, W., Wang, J., Wang, W., Chen, Z., Zhou, W., Yang, A., Lu, L., Li, H., Wang, X., Zhu, X., Wang, W., Dai, J., & Zhu, J. (2025). VisuLogic: A Benchmark for Evaluating Visual Reasoning in Multi-modal Large Language Models. arXiv. https://arxiv.org/abs/2504.15279
- Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large models. Advances in Neural Information Processing Systems, 35, 24824-24837. Přejít k původnímu zdroji...
- Wilson, M. (2002). Six views of embodied cognition. Psychonomic Bulletin & Review, 9, 625-636. https://doi.org/10.3758/BF03196322 Přejít k původnímu zdroji...