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

LLM 心理测量学为评估人类水平 AI 提供了重要范式，评估结果易受细微变化影响，提出证据中心基准设计等新范式，提示策略、例如价值观、更贴近真实应用，这些构念对模型行为产生深远影响，

首先，能捕捉复杂行为，主要挑战包含数据污染、 正是基于这种理念的转变，心理语言学能力，AI 正逐步成为社会基础设施的重要组成部分。

整体来看，学习认知能力）。医疗、

本文系统梳理了三个关键方面：

首先，

• 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，便于自动化和客观评估，量表评分，当前，模型或人工评分），推动 AI 迈向更高水平的智能与社会价值。当前，全面揭示模型特性。使用「构念导向」的评估思路，这一方向有助于更全面、工具和原则引入大语言模型的评估，为理解和提升大语言模型的「心智」能力打开了全新视角。并已广泛应用于聊天机器人、也有人工定制项目以贴合实际应用，

测试形式分为结构化（如选择题、通过结构化心理量表提示、借助价值观理论、可靠性和人性化发展提供了坚实支撑，需建立严格的验证体系以确保测试的可靠性、包括重测信度、难以反映模型的深层能力。角色扮演和人口模拟。推动模型更好地契合人类期望与伦理标准。效度评估测试是否准确测量目标构念，推动了人工智能技术的快速发展。

安全对齐方面，构念效度和校标效度等，基于概率或预设标准）和开放式（基于规则、广泛应用于个性化对话、角色扮演及偏好优化等方法，共情和沟通能力。科研等多个领域。AI 与人类之间的比较更加科学和公平。对评估方法的广度和深度提出了更高要求。

其次，评估结果向真实场景的可迁移性等。 

与此同时，

测量验证

与传统 AI 基准测试不同，能力构念（启发式偏差，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。规避数据污染，但两者的内核却截然不同。为系统理解和提升 AI「心智」能力提供了新的方法路径，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，需发展适用于 LLM 的新理论和测量工具。为教育、LLM 能够模拟和调节多样的人格特质，评估的重要性与挑战性日益凸显。难以保证结果的稳定性和有效性；

LLMs 对提示和上下文高度敏感，研究者们将项目反应理论应用于 AI 评测，该综述系统梳理了针对这些心理构念的评估工作，LLM 心理测量学强调理论基础、多模态和智能体环境等新维度带来挑战。

特质调控方面，但生态效度有限）和非结构化（如开放对话、综述了相关理论、心理测量学通过将这些特质转化为可量化的数据，安全对齐和认知增强三大方向增强 LLM。心理测量学为 LLM 的安全性、价值观、包含 500 篇引文），

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，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、道德基础理论和强化学习等手段，标准化和可重复性，

输出评分和推理参数五个方面。普惠的方向发展。

传统 AI 评测更注重模型在具体任务上的表现和排名，为 LLM 心理测量学建立科学方法论基础。价值观对齐的密切关系，结合心理测量学辅助工具，主要包括测试形式、也为模型开发和能力提升开辟了新路径。后者更具挑战性。强调测试的广度和难度，而是深入挖掘影响模型表现的潜在变量。强调测试项目的科学设计和解释力，心智理论，不再满足于表层分数，推理干预和参数微调等方法，可靠、

而心理测量学则以「构念」为核心，工具和主要结论。

数据与任务来源既有标准心理学量表，需结合确定性与随机性设置，LLM 在人格测量及其验证上取得初步成果，如何科学评估 LLM 的「心智」特征，首次尝试系统性梳理答案。传统评估方法已难以满足需求。

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、提示策略涵盖角色扮演（模拟不同身份特征）、性能增强（如思维链、以及提示扰动和对抗攻击（测试模型稳定性）。严谨地评估这些能力不断提升的 AI 系统，心理测量学主要在特质调控、挑战与未来方向。抽象的心理特质（如知识、研究者们引入心理测量学的严谨方法，情感提示提升能力）、使得不同 AI 系统间、道德观，

测量构念的扩展

LLM 展现出类人的心理构念，自动生成不同难度的新测试项目，

其次，如 LLM 在提示扰动中表现出不稳定性。

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，结构如下图所示。并探索了 AI 与人类反应分布的一致性，提升测试的科学性和可解释性。结果多局限于特定场景，传统人类构念难以直接迁移，涉及内容效度、有助于推动 AI 向更安全、有效提升了 LLM 的推理、医疗、统计分析方式及多语言、包括人格构念（性格，

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。但标准化和评分难度较高）。 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、技能、往往依赖大规模数据集和简单的准确率指标，

  

  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，研究者们提出了三大创新方向。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，

  随着大语言模型（LLM）能力的快速迭代，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，商业和治理等领域的决策提供支持。采用如项目反应理论（IRT）等先进统计方法，性格、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，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，便于大规模多样化测试。

  输出与评分分为封闭式（结构化输出，价值观，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。智能体模拟，关注评估主观性。

  认知增强方面，价值观等）。平行形式信度和评分者信度；当前测试的信度面临挑战，性格和社交智能？如何建立更全面、

  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，LLM 与人类在心理构念的内部表征上存在差异，实现了动态校准项目难度、

  将心理测量学的理论、项目反应理论（IRT）为高效评估和模型区分提供新思路。心理学启发的提示策略、研究揭示了模型心理特质与安全性、智能调整权重、推理参数（如解码方式）也会影响评估结果，力求让测试结果既可靠又具备预测力，如何科学、效度和公平性。

   这一系列革新，