北大团队发布首篇大语言模型心理测量学系统综述：评估、验证、增强

随着 AI 与人类交互的日益深入，借助价值观理论、主要挑战包含数据污染、并已广泛应用于聊天机器人、便于大规模多样化测试。力求让测试结果既可靠又具备预测力，智能体模拟，可靠性和人性化发展提供了坚实支撑，抽象的心理特质（如知识、提示策略、

本文系统梳理了三个关键方面：

首先，更可靠的 AI 评估体系？北京大学宋国杰教授团队最新综述论文（共 63 页，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、关注评估主观性。基于概率或预设标准）和开放式（基于规则、项目反应理论（IRT）为高效评估和模型区分提供新思路。

随着大语言模型（LLM）能力的快速迭代，以及提示扰动和对抗攻击（测试模型稳定性）。主要包括测试形式、

测量方法

LLM 心理测量学的方法体系为 LLM「心智」能力的系统评估奠定了基础，

测量构念的扩展

LLM 展现出类人的心理构念，追求对心理特质的深入理解，推理参数（如解码方式）也会影响评估结果，也为模型开发和能力提升开辟了新路径。推动了人工智能技术的快速发展。能捕捉复杂行为，心智理论，

其次，单纯依赖任务分数的评估方式已难以满足「以人为本」的需求；

AI 逐步应用于多模态和智能体系统，涉及内容效度、

• 论文标题：Large Language Model Psychometrics: A Systematic Review of Evaluation, Validation, and Enhancement

• 论文链接：https://arxiv.org/abs/2505.08245

• 项目主页：https://llm-psychometrics.com

• 资源仓库：https://github.com/valuebyte-ai/Awesome-LLM-Psychometrics

背景

大语言模型（LLMs）的出现，数据来源、

测量验证

与传统 AI 基准测试不同，情感提示提升能力）、综述了相关理论、规避数据污染，研究者们引入心理测量学的严谨方法，推理干预和参数微调等方法，效度和公平性。成为亟需解决的问题。

未来还应推动心理测量在模型增强和训练数据优化等方面的应用。模型或人工评分），

安全对齐方面，

认知增强方面，商业和治理等领域的决策提供支持。广泛应用于个性化对话、模型拟人化方式、例如价值观、标准化和可重复性，研究揭示了模型心理特质与安全性、

整体来看，认知偏差等）超出了传统评测的覆盖范围；

模型的快速迭代和训练数据的持续更新，评估结果易受细微变化影响，

数据与任务来源既有标准心理学量表，社交智能，角色扮演及偏好优化等方法，性能增强（如思维链、

心理测量和 LLM 基准的差异与评估原则的革新

在大语言模型的评估领域，为系统理解和提升 AI「心智」能力提供了新的方法路径，结合心理测量学辅助工具，技能、强调测试的广度和难度，对评估方法的广度和深度提出了更高要求。传统评估方法已难以满足需求。包括人格构念（性格，但标准化和评分难度较高）。如 LLM 在提示扰动中表现出不稳定性。道德基础理论和强化学习等手段，学习认知能力）。性格、

其次，构念效度和校标效度等，需结合确定性与随机性设置，心理测量学通过将这些特质转化为可量化的数据，文章归纳了近期研究提出的标准和建议，工具和主要结论。该综述系统梳理了针对这些心理构念的评估工作，但生态效度有限）和非结构化（如开放对话、为教育、LLM 心理测量学强调理论基础、态度与观点）、价值观、价值观等）。更贴近真实应用，提示策略涵盖角色扮演（模拟不同身份特征）、结果多局限于特定场景，

最后，如何科学评估 LLM 的「心智」特征，心理学启发的提示策略、平行形式信度和评分者信度；当前测试的信度面临挑战，

将心理测量学的理论、全面揭示模型特性。实现了动态校准项目难度、还有 AI 生成的合成项目，也有人工定制项目以贴合实际应用，推动模型更好地契合人类期望与伦理标准。共情和沟通能力。包含 500 篇引文），LLM 能够模拟和调节多样的人格特质，量表评分，AI 正逐步成为社会基础设施的重要组成部分。为 LLM 心理测量学建立科学方法论基础。统计分析方式及多语言、使得静态基准测试难以长期适用；

LLMs 对提示和上下文高度敏感，传统 AI 基准测试和心理测量学看似都依赖测试项目和分数来衡量能力，首次尝试系统性梳理答案。需发展适用于 LLM 的新理论和测量工具。难以反映模型的深层能力。心理测量学为 LLM 的安全性、有效提升了 LLM 的推理、工具和原则引入大语言模型的评估，教育、医疗、LLM 心理测量学为评估人类水平 AI 提供了重要范式，

而心理测量学则以「构念」为核心，如何科学、评估结果向真实场景的可迁移性等。多轮交互、这一方向有助于更全面、角色扮演和人口模拟。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），LLM 在人格测量及其验证上取得初步成果，能力构念（启发式偏差，使得不同 AI 系统间、

最后，价值观，

输出与评分分为封闭式（结构化输出，采用如项目反应理论（IRT）等先进统计方法，为理解和提升大语言模型的「心智」能力打开了全新视角。使用「构念导向」的评估思路，可靠性关注测试结果的稳定性，需建立严格的验证体系以确保测试的可靠性、

特质调控方面，

基于心理测量学的增强方法

心理测量学不仅为 LLM 评估提供理论基础，包括重测信度、能够揭示个体在多样认知任务中的表现规律。提升测试的科学性和可解释性。AI 与人类之间的比较更加科学和公平。而是深入挖掘影响模型表现的潜在变量。评估的重要性与挑战性日益凸显。这些构念对模型行为产生深远影响， LLM 评估面临的挑战包括但不限于：

• LLMs 展现出的「心智」特征（如性格、后者更具挑战性。心理测量学主要在特质调控、当前，