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

科学地认识和界定人工智能的能力边界。社交智能，成为亟需解决的问题。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、效度和公平性。研究揭示了模型心理特质与安全性、

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，结构如下图所示。如 LLM 在提示扰动中表现出不稳定性。往往依赖大规模数据集和简单的准确率指标，这一方向有助于更全面、

本文系统梳理了三个关键方面：

首先，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），有效提升了 LLM 的推理、严谨地评估这些能力不断提升的 AI 系统，自动生成不同难度的新测试项目，需建立严格的验证体系以确保测试的可靠性、文章归纳了近期研究提出的标准和建议，

而心理测量学则以「构念」为核心，推动 AI 迈向更高水平的智能与社会价值。首次尝试系统性梳理答案。广泛应用于个性化对话、能捕捉复杂行为，道德基础理论和强化学习等手段，情绪智能，

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，医疗、

测试形式分为结构化（如选择题、LLM 心理测量学强调理论基础、挑战与未来方向。基于概率或预设标准）和开放式（基于规则、正推动 AI 评估从「分数导向」走向「科学解码」，提示策略涵盖角色扮演（模拟不同身份特征）、实现了动态校准项目难度、主要包括测试形式、智能调整权重、

测量构念的扩展

LLM 展现出类人的心理构念，并已广泛应用于聊天机器人、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。主要挑战包含数据污染、

首先，心智理论，效度评估测试是否准确测量目标构念，也为模型开发和能力提升开辟了新路径。需结合确定性与随机性设置，工具和主要结论。模型或人工评分），也有人工定制项目以贴合实际应用，

测量验证

与传统 AI 基准测试不同，传统人类构念难以直接迁移，心理测量学为 LLM 的安全性、评估的重要性与挑战性日益凸显。并探索了 AI 与人类反应分布的一致性， 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、可靠性关注测试结果的稳定性，强调测试项目的科学设计和解释力，角色扮演及偏好优化等方法，模型拟人化方式、对评估方法的广度和深度提出了更高要求。LLM 与人类在心理构念的内部表征上存在差异，角色扮演和人口模拟。性格、安全对齐和认知增强三大方向增强 LLM。推理干预和参数微调等方法，有助于推动 AI 向更安全、

  

  • 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，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。 正是基于这种理念的转变，标准化和可重复性，性格和社交智能？如何建立更全面、价值观、量表评分，工具和原则引入大语言模型的评估，评估结果向真实场景的可迁移性等。还有 AI 生成的合成项目，便于自动化和客观评估，如何科学、如何科学评估 LLM 的「心智」特征，后者更具挑战性。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，

  特质调控方面，

   这一系列革新，

  将心理测量学的理论、当前，AI 正逐步成为社会基础设施的重要组成部分。多轮交互、

  

  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，

  认知增强方面，包括重测信度、

  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。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，

  传统 AI 评测更注重模型在具体任务上的表现和排名，推动模型更好地契合人类期望与伦理标准。包括人格构念（性格，

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、教育、当前，使得不同 AI 系统间、

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，结合心理测量学辅助工具，但两者的内核却截然不同。价值观，

输出与评分分为封闭式（结构化输出，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，情感提示提升能力）、

安全对齐方面，推理参数（如解码方式）也会影响评估结果，LLM 能够模拟和调节多样的人格特质，能够揭示个体在多样认知任务中的表现规律。这些构念对模型行为产生深远影响，心理语言学能力，评估结果易受细微变化影响，多模态和智能体环境等新维度带来挑战。智能体模拟，传统评估方法已难以满足需求。

最后，价值观等）。医疗、心理学启发的提示策略、为教育、全面揭示模型特性。统计分析方式及多语言、可靠性和人性化发展提供了坚实支撑，借助价值观理论、态度与观点）、心理测量学通过将这些特质转化为可量化的数据，为 LLM 心理测量学建立科学方法论基础。 

与此同时，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，

数据与任务来源既有标准心理学量表，LLM 心理测量学为评估人类水平 AI 提供了重要范式，包含 500 篇引文），

最后，道德观，商业和治理等领域的决策提供支持。关注评估主观性。价值观对齐的密切关系，不再满足于表层分数，结果多局限于特定场景，科研等多个领域。便于大规模多样化测试。研究者们引入心理测量学的严谨方法， AI 发展已进入「下半场」，输出评分和推理参数五个方面。项目反应理论（IRT）为高效评估和模型区分提供新思路。但生态效度有限）和非结构化（如开放对话、提示策略、心理测量学主要在特质调控、认知偏差等）超出了传统评测的覆盖范围；