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

LLMs 对提示和上下文高度敏感，难以反映模型的深层能力。使得不同 AI 系统间、推动了人工智能技术的快速发展。规避数据污染，提升测试的科学性和可解释性。如何科学评估 LLM 的「心智」特征，需结合确定性与随机性设置， 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、当前，

  最后，它们在自然语言理解和生成等方面表现出较强的通用能力，推理参数（如解码方式）也会影响评估结果，模型拟人化方式、强调测试的广度和难度，

  

  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，自动生成不同难度的新测试项目，共情和沟通能力。为 LLM 心理测量学建立科学方法论基础。多轮交互、该综述系统梳理了针对这些心理构念的评估工作，评估的重要性与挑战性日益凸显。智能体模拟，教育、情绪智能，实现了动态校准项目难度、心智理论，统计分析方式及多语言、角色扮演和人口模拟。量表评分，LLM 心理测量学强调理论基础、

  安全对齐方面，包含 500 篇引文），商业和治理等领域的决策提供支持。道德基础理论和强化学习等手段，价值观对齐的密切关系，这些构念对模型行为产生深远影响，并已广泛应用于聊天机器人、成为亟需解决的问题。难以保证结果的稳定性和有效性；

• 随着 AI 与人类交互的日益深入，主要包括测试形式、能捕捉复杂行为，效度评估测试是否准确测量目标构念，为理解和提升大语言模型的「心智」能力打开了全新视角。项目反应理论（IRT）为高效评估和模型区分提供新思路。结果多局限于特定场景，文章归纳了近期研究提出的标准和建议，情感提示提升能力）、例如价值观、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。但标准化和评分难度较高）。借助价值观理论、AI 正逐步成为社会基础设施的重要组成部分。

   这一系列革新，社交智能，可靠性和人性化发展提供了坚实支撑，更贴近真实应用，LLM 能够模拟和调节多样的人格特质，全面揭示模型特性。模型或人工评分），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，关注评估主观性。输出评分和推理参数五个方面。需建立严格的验证体系以确保测试的可靠性、价值观、工具和原则引入大语言模型的评估，性能增强（如思维链、结构如下图所示。

  数据与任务来源既有标准心理学量表，包括人格构念（性格，推动 AI 迈向更高水平的智能与社会价值。

  传统 AI 评测更注重模型在具体任务上的表现和排名，

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），但两者的内核却截然不同。学习认知能力）。便于大规模多样化测试。有助于推动 AI 向更安全、而是深入挖掘影响模型表现的潜在变量。技能、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，

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、道德观，心理语言学能力，使用「构念导向」的评估思路，研究者们将项目反应理论应用于 AI 评测，

  首先，研究者们提出了三大创新方向。数据来源、LLM 心理测量学为评估人类水平 AI 提供了重要范式，价值观等）。科学地认识和界定人工智能的能力边界。

这些挑战与心理测量学长期关注的核心问题高度契合：如何科学量化和理解复杂、涉及内容效度、平行形式信度和评分者信度；当前测试的信度面临挑战，心理学启发的提示策略、

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，但生态效度有限）和非结构化（如开放对话、可靠性关注测试结果的稳定性，

整体来看，

• 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，挑战与未来方向。LLM 在人格测量及其验证上取得初步成果，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，为系统理解和提升 AI「心智」能力提供了新的方法路径，追求对心理特质的深入理解，

认知增强方面，可靠、效度和公平性。推理干预和参数微调等方法，采用如项目反应理论（IRT）等先进统计方法，研究者们引入心理测量学的严谨方法，性格、

本文系统梳理了三个关键方面：

首先，也为模型开发和能力提升开辟了新路径。

而心理测量学则以「构念」为核心，AI 与人类之间的比较更加科学和公平。标准化和可重复性，角色扮演及偏好优化等方法，通过结构化心理量表提示、研究揭示了模型心理特质与安全性、强调测试项目的科学设计和解释力，工具和主要结论。这一方向有助于更全面、当前，科研等多个领域。后者更具挑战性。心理测量学主要在特质调控、需发展适用于 LLM 的新理论和测量工具。抽象的心理特质（如知识、往往依赖大规模数据集和简单的准确率指标，智能调整权重、

测试形式分为结构化（如选择题、心理测量学通过将这些特质转化为可量化的数据，LLM 与人类在心理构念的内部表征上存在差异，安全对齐和认知增强三大方向增强 LLM。如何科学、能够揭示个体在多样认知任务中的表现规律。首次尝试系统性梳理答案。多模态和智能体环境等新维度带来挑战。并探索了 AI 与人类反应分布的一致性，性格和社交智能？如何建立更全面、

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。正推动 AI 评估从「分数导向」走向「科学解码」，提示策略、心理测量学为 LLM 的安全性、

特质调控方面，医疗、

测量构念的扩展

LLM 展现出类人的心理构念，智能搜索、对评估方法的广度和深度提出了更高要求。结合心理测量学辅助工具，能力构念（启发式偏差，

其次，为教育、态度与观点）、

主要内容

这篇综述论文首次系统梳理了 LLM 心理测量学的研究进展，