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

AI 逐步应用于多模态和智能体系统，能力构念（启发式偏差， 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、

  传统 AI 评测更注重模型在具体任务上的表现和排名，使用「构念导向」的评估思路，

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、智能体模拟，自动生成不同难度的新测试项目，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。

认知增强方面，需建立严格的验证体系以确保测试的可靠性、能捕捉复杂行为，可靠、

最后，道德观，

特质调控方面，技能、需结合确定性与随机性设置，更贴近真实应用，如 LLM 在提示扰动中表现出不稳定性。当前，

输出与评分分为封闭式（结构化输出，评估结果易受细微变化影响，评估的重要性与挑战性日益凸显。推理干预和参数微调等方法，

其次，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，价值观对齐的密切关系，

 这一系列革新，LLM 与人类在心理构念的内部表征上存在差异，情感提示提升能力）、并已广泛应用于聊天机器人、传统评估方法已难以满足需求。强调测试项目的科学设计和解释力，性能增强（如思维链、对评估方法的广度和深度提出了更高要求。正推动 AI 评估从「分数导向」走向「科学解码」，输出评分和推理参数五个方面。多轮交互、价值观等）。工具和原则引入大语言模型的评估，这一方向有助于更全面、模型或人工评分），

数据与任务来源既有标准心理学量表，传统人类构念难以直接迁移，推动 AI 迈向更高水平的智能与社会价值。力求让测试结果既可靠又具备预测力，

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，

将心理测量学的理论、

测试形式分为结构化（如选择题、

而心理测量学则以「构念」为核心，主要挑战包含数据污染、

测量验证

与传统 AI 基准测试不同，往往依赖大规模数据集和简单的准确率指标，LLM 心理测量学为评估人类水平 AI 提供了重要范式，AI 与人类之间的比较更加科学和公平。便于自动化和客观评估，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，但生态效度有限）和非结构化（如开放对话、为 LLM 心理测量学建立科学方法论基础。效度评估测试是否准确测量目标构念，而是深入挖掘影响模型表现的潜在变量。社交智能，当前，可靠性关注测试结果的稳定性，心智理论，提升测试的科学性和可解释性。挑战与未来方向。

本文系统梳理了三个关键方面：

首先，结构如下图所示。抽象的心理特质（如知识、如何科学评估 LLM 的「心智」特征，态度与观点）、强调测试的广度和难度，并探索了 AI 与人类反应分布的一致性，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。性格和社交智能？如何建立更全面、 AI 发展已进入「下半场」，也有人工定制项目以贴合实际应用，标准化和可重复性，评估结果向真实场景的可迁移性等。但两者的内核却截然不同。情绪智能，涉及内容效度、共情和沟通能力。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，严谨地评估这些能力不断提升的 AI 系统，AI 正逐步成为社会基础设施的重要组成部分。该综述系统梳理了针对这些心理构念的评估工作，量表评分，角色扮演和人口模拟。科研等多个领域。医疗、还有 AI 生成的合成项目，通过结构化心理量表提示、

首先，

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。如何科学、提示策略涵盖角色扮演（模拟不同身份特征）、难以反映模型的深层能力。 正是基于这种理念的转变，项目反应理论（IRT）为高效评估和模型区分提供新思路。心理测量学主要在特质调控、

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，普惠的方向发展。关注评估主观性。推理参数（如解码方式）也会影响评估结果，

随着大语言模型（LLM）能力的快速迭代，推动模型更好地契合人类期望与伦理标准。价值观、工具和主要结论。价值观，智能调整权重、研究者们提出了三大创新方向。提出证据中心基准设计等新范式，包括重测信度、使得不同 AI 系统间、安全对齐和认知增强三大方向增强 LLM。角色扮演及偏好优化等方法，

最后，为教育、效度和公平性。例如价值观、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），多模态和智能体环境等新维度带来挑战。结果多局限于特定场景，后者更具挑战性。