Projektivní hypotéza předpokládá, že osobnost se projevuje v téměř každém chování člověka. Jednou ze situací, kterou psychologové využívají, je při administraci verbálních projektivních metod, kdy respondent projevuje svou osobnost organizací nestrukturovaného materiálu, jako jsou inkoustové skvrny. Projektivní metody ale mají svá omezení v náročnosti, validitě, reliabilitě i ceně. Takto vzniklá verbální data však můžeme vyhodnotit algoritmicky pomocí metod strojového učení. Práce má za cíl ověření, že na vlastním projektivním materiálu vznikají odpovědi relevantní k osobnosti respondentů, a zároveň predikci těchto osobnostních charakteristik s využitím strojového učení. Data od 5185 respondentů byla použita pro ověření projektivních odpovědí, kde výskyt 10 obsahových kategorií vybraných z předchozích výzkumů byl predikován osobnostními rysy Velké Pětky a Pozitivním a Negativním Implicitním afektem. Druhým krokem byla predikce osobnostních proměnných z odpovědí reprezentovaných pomocí vnoření slov fastText s využitím několika regresních a klasifikačních metod strojového učení, včetně neuronových sítí. Odpovědi na inkoustové skvrny nesly osobnostně relevantní informace v podobě obsahových kategorií v očekávaných i neočekávaných vztazích. Avšak nejlepší modely byly schopné predikovat pouze velmi malé množství osobnostní informace z vnořených reprezentací odpovědí. Výsledky tak podporují myšlenku, že v projektivních odpovědích se manifestuje osobnost, námi nalezená významnost je však spíše v hladině statistické než praktické.The projective hypothesis assumes that personality manifests itself in almost all human behavior. One tool psychologists use is the administration of verbal projective methods where the respondent manifests his personality by organizing unstructured material such as inkblots. Projective methods, however, have limitations in terms of difficulty, validity, reliability, and cost. Nevertheless, the verbal data generated in this way can be scored algorithmically using machine learning methods. This work aims to test whether custom-made projective material produces responses relevant to the personality of respondents and also to predict these personality characteristics using machine learning. Data from 5,185 respondents were used to assess projective responses, where the occurrence of 10 content categories selected from previous research was predicted by the Big Five personality traits and Positive and Negative Implicit Affect. The second step was the prediction of personality variables from projective responses represented by fastText word embeddings using several regression and classification machine learning methods, including neural networks. Responses to inkblots carried personality-relevant information in the form of content categories in expected and unexpected relationships. However, the best models were only able to predict a small amount of personality information from the embedding representations of responses. The results support the idea that personality manifests itself in projective responses, but the significance is on a statistical rather than practical level.