Proč je statistika bolest každého výzkumníka

Výzkumníci ve zdravotnictví se pravidelně potýkají s otázkou, který statistický test použít pro konkrétní data a hypotézu. Zvolit špatný test znamená znehodnotit celou studii — nebo dojít k zavádějícím závěrům. Přitom statistická konzultace bývá drahá a v mnoha zemích nedostupná. Právě proto se výzkumníci stále více obrací na velké jazykové modely (LLM) jako rychlou a levnou alternativu.

Otázka ale zní: dá se jim věřit? Dvě studie publikované v roce 2024 a 2025 v renomovaných vědeckých časopisech se na tuto otázku pokusily odpovědět.

Studie č. 1: Šest modelů, dvacet scénářů, sto procent úspěšnost

Komplexnější ze studií, publikovaná v říjnu 2025 v časopise Cureus a indexovaná v PubMed (PMC12627256), testovala celkem šest aktuálních jazykových modelů: ChatGPT, Claude, DeepSeek, Gemini, Grok a Le Chat. Každý model dostal dvacet výzkumných scénářů typických pro klinický a epidemiologický výzkum.

Výsledek byl překvapivě jednoznačný: všechny modely vybraly správný statistický test ve 100 % případů. Ať šlo o párový t-test, jednosměrnou ANOVA, Mann-Whitneyův U-test, Kruskal-Wallisův test, chí-kvadrát nebo Fisherův exaktní test — žádný z modelů nechyboval.

To by mohlo znít jako konec příběhu. Jenže výzkumníci šli dál a hodnotili také kvalitu vysvětlení, nikoli pouze správnost odpovědi. Pět nezávislých odborníků na biostatistiku posuzovalo každou odpověď v pěti dimenzích:

• Srozumitelnost (clarity)
• Identifikace předpokladů testu
• Pedagogická hodnota
• Přístup k řešení problému
• Statistické uvažování

A tady se modely začaly lišit. Claude exceloval v srozumitelnosti — průměrné skóre 4,65 z 5,00. Gemini dosáhl nejlepšího hodnocení v pedagogické hodnotě, tedy ve schopnosti vysvětlit, proč je daný test vhodný a jak jej interpretovat. ChatGPT si vedl nejhůře v statistickém uvažování, přestože byl silný v samotném přístupu k řešení. DeepSeek, Grok a Le Chat se pohybovaly v průměru bez výraznějších výkyvů.

Studie č. 2: Pilotní srovnání čtyř modelů na 27 scénářích

Starší pilotní studie, publikovaná v PMC (PMC11584160), vzala pod lupu čtyři modely dostupné v roce 2024: ChatGPT 3.5, Google Bard, Microsoft Bing Chat a Perplexity. Výzkumníci připravili 27 případových vinjetek (case vignettes) simulujících typické situace ze zdravotnického výzkumu.

Výsledky tentokrát nebyly tak jednoznačné:

• Microsoft Bing Chat: 96,3 % shoda s doporučením experta, 100% akceptovatelnost
• ChatGPT 3.5 a Perplexity: 85,19 % shoda, oba s 100% akceptovatelností
• Google Bard: 77,78 % shoda, 96,3% akceptovatelnost

Celková míra shody mezi modely byla středně vysoká (ICC = 0,728). Zajímavé bylo také testování konzistence: po sedmi dnech dostaly modely přeformulované verze stejných otázek. ChatGPT a Perplexity si vedly konzistentně, Bard a Bing Chat více kolísaly.

Studie uzavřela, že LLM nemohou plně nahradit lidského statistika, ale jsou „spolehlivými nástroji pro statistické poradenství" — zejména pro výzkumníky v zemích, kde je přístup ke statistické konzultaci omezený nebo finančně náročný.

Co to znamená v praxi — a jaký model zvolit?

Praktický závěr pro výzkumníky je jasný: při výběru statistického testu se na moderní jazykové modely s vysokou mírou spolehlivosti spolehnout lze. Všechny testované modely zvládají základní i pokročilé testy — od jednoduché korelace přes logistickou regresi až po Wilcoxonův test pro párová data.

Výběr konkrétního modelu záleží na tom, co od odpovědi očekáváte:

• Potřebujete srozumitelné vysvětlení pro studenty nebo junior výzkumníky? Sáhněte po Claude.
• Hledáte edukativní hodnotu a kontext, proč je test vhodný? Gemini je vaše volba.
• Chcete rychlou odpověď s prověřenými zdroji? Perplexity nebo Bing Chat obstojí dobře.

Všechny zmíněné modely jsou dostupné v češtině, ačkoli při zadávání statistických dotazů odborníci doporučují formulovat dotazy v angličtině — terminologie je přesnější a modely jsou na ni lépe natrénované.

Pozor na limity: přesnost není vše

Ani 100% přesnost výběru testu neznamená, že se na model lze spoléhat bezhlavě. Autoři obou studií upozorňují na několik důležitých omezení:

Modely mohou přehlédnout specifika dat. LLM odpovídá na základě textového popisu scénáře — nemůže reálně zkontrolovat distribuci hodnot, přítomnost odlehlých hodnot (outlierů) nebo splnění předpokladů testu (normalita, homogenita rozptylů). Ty musí vždy ověřit výzkumník sám.

Halucination risk. Jazykové modely mohou s jistotou doporučit test, který v daném kontextu není ideální — zvláště u vzácnějších nebo pokročilejších metod. Proto je vhodné doporučení modelu ověřit v metodologické literatuře nebo konzultovat s kolegou.

Verze modelu záleží. Pilotní studie testovala ChatGPT 3.5 — současná verze GPT-4o je výrazně silnější a s velkou pravděpodobností by dosáhla lepších výsledků.

Česká a evropská perspektiva

Pro české výzkumníky a studenty medicíny jsou tato zjištění zvláště relevantní. Přístup ke kvalitní biostatistické konzultaci není v České republice samozřejmost — zejména na menších pracovištích nebo v doktorandských programech. LLM mohou sloužit jako bezplatný první poradce, který výzkumníka navede správným směrem před konzultací s odborníkem.

Všechny testované modely jsou v základní verzi zdarma dostupné i českým uživatelům: ChatGPT na chat.openai.com, Claude na claude.ai, Gemini na gemini.google.com, Perplexity na perplexity.ai. Prémiové verze se pohybují typicky kolem 20 USD (přibližně 450 Kč) měsíčně.

Z pohledu EU AI Actu patří tyto modely mezi tzv. general-purpose AI (GPAI) — jsou tedy regulovány na úrovni transparentnosti a bezpečnosti, nikoli jako speciální zdravotnické AI systémy. Pro klinické rozhodování ve zdravotnictví by stále měly platit přísnější standardy.