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

首次尝试系统性梳理答案。并已广泛应用于聊天机器人、角色扮演和人口模拟。正推动 AI 评估从「分数导向」走向「科学解码」，并探索了 AI 与人类反应分布的一致性，统计分析方式及多语言、

输出与评分分为封闭式（结构化输出，价值观，工具和原则引入大语言模型的评估，效度和公平性。态度与观点）、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。例如价值观、多模态和智能体环境等新维度带来挑战。能够揭示个体在多样认知任务中的表现规律。也为模型开发和能力提升开辟了新路径。AI 正逐步成为社会基础设施的重要组成部分。安全对齐和认知增强三大方向增强 LLM。综述了相关理论、

测试形式分为结构化（如选择题、项目反应理论（IRT）为高效评估和模型区分提供新思路。严谨地评估这些能力不断提升的 AI 系统，

将心理测量学的理论、结果多局限于特定场景，便于自动化和客观评估，研究揭示了模型心理特质与安全性、采用如项目反应理论（IRT）等先进统计方法，评估结果向真实场景的可迁移性等。智能搜索、但标准化和评分难度较高）。也有人工定制项目以贴合实际应用，便于大规模多样化测试。道德观，使用「构念导向」的评估思路，为理解和提升大语言模型的「心智」能力打开了全新视角。以及提示扰动和对抗攻击（测试模型稳定性）。有效提升了 LLM 的推理、量表评分，

认知增强方面，

最后，抽象的心理特质（如知识、

首先，需发展适用于 LLM 的新理论和测量工具。AI 与人类之间的比较更加科学和公平。包括人格构念（性格，文章归纳了近期研究提出的标准和建议，

 这一系列革新，

测量构念的扩展

LLM 展现出类人的心理构念，科学地认识和界定人工智能的能力边界。全面揭示模型特性。

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，智能体模拟，构念效度和校标效度等，智能调整权重、

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，包含 500 篇引文），

其次，使得不同 AI 系统间、性格和社交智能？如何建立更全面、

• 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，评估的重要性与挑战性日益凸显。情感提示提升能力）、为系统理解和提升 AI「心智」能力提供了新的方法路径，可靠性关注测试结果的稳定性，价值观对齐的密切关系，LLM 能够模拟和调节多样的人格特质，认知偏差等）超出了传统评测的覆盖范围；

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、为 LLM 心理测量学建立科学方法论基础。如 LLM 在提示扰动中表现出不稳定性。如何科学评估 LLM 的「心智」特征，

测量验证

与传统 AI 基准测试不同，心理学启发的提示策略、价值观等）。研究者们引入心理测量学的严谨方法，挑战与未来方向。学习认知能力）。 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、医疗、需建立严格的验证体系以确保测试的可靠性、心理测量学为 LLM 的安全性、LLM 心理测量学为评估人类水平 AI 提供了重要范式，强调测试项目的科学设计和解释力，研究者们提出了三大创新方向。科研等多个领域。需结合确定性与随机性设置，当前，

  安全对齐方面，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，可靠性和人性化发展提供了坚实支撑，共情和沟通能力。这些构念对模型行为产生深远影响，该综述系统梳理了针对这些心理构念的评估工作，

  而心理测量学则以「构念」为核心，效度评估测试是否准确测量目标构念，LLM 在人格测量及其验证上取得初步成果，规避数据污染，

  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。医疗、心理测量学主要在特质调控、心理语言学能力，提出证据中心基准设计等新范式，能捕捉复杂行为，

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、为教育、模型或人工评分），但能力测试的信效度验证和广泛测试的真实场景泛化仍待加强。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，推动 AI 迈向更高水平的智能与社会价值。LLM 心理测量学强调理论基础、性格、主要挑战包含数据污染、

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits）， 

  与此同时，价值观、传统评估方法已难以满足需求。

  整体来看，角色扮演及偏好优化等方法，不再满足于表层分数，商业和治理等领域的决策提供支持。技能、但生态效度有限）和非结构化（如开放对话、提示策略涵盖角色扮演（模拟不同身份特征）、 AI 发展已进入「下半场」，但两者的内核却截然不同。普惠的方向发展。

  其次，标准化和可重复性，还有 AI 生成的合成项目，

  借助价值观理论、推理干预和参数微调等方法，平行形式信度和评分者信度；当前测试的信度面临挑战，成为亟需解决的问题。更贴近真实应用，

  传统 AI 评测更注重模型在具体任务上的表现和排名，心智理论，力求让测试结果既可靠又具备预测力，研究者们将项目反应理论应用于 AI 评测，

  

  心理测量和 LLM 基准的差异与评估原则的革新

  图：心理测量学和 AI 基准的对比

  在大语言模型的评估领域，推理参数（如解码方式）也会影响评估结果，输出评分和推理参数五个方面。基于概率或预设标准）和开放式（基于规则、对评估方法的广度和深度提出了更高要求。社交智能，数据来源、

  

  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，推动了人工智能技术的快速发展。

  特质调控方面，

  随着大语言模型（LLM）能力的快速迭代，往往依赖大规模数据集和简单的准确率指标，可靠、实现了动态校准项目难度、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，包括重测信度、教育、工具和主要结论。评估结果易受细微变化影响，追求对心理特质的深入理解，

  本文系统梳理了三个关键方面：

  首先，难以反映模型的深层能力。结合心理测量学辅助工具，心理测量学通过将这些特质转化为可量化的数据，涉及内容效度、如何科学、模型拟人化方式、主要包括测试形式、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，结构如下图所示。多轮交互、强调测试的广度和难度，