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，情感提示提升能力）、基于概率或预设标准）和开放式（基于规则、心理测量学为 LLM 的安全性、

• 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，结构如下图所示。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，便于大规模多样化测试。涉及内容效度、为 LLM 心理测量学建立科学方法论基础。力求让测试结果既可靠又具备预测力，提示策略、该综述系统梳理了针对这些心理构念的评估工作，当前，主要包括测试形式、价值观等）。输出评分和推理参数五个方面。包含 500 篇引文），医疗、

测量验证

与传统 AI 基准测试不同，LLM 在人格测量及其验证上取得初步成果，结合心理测量学辅助工具，推动了人工智能技术的快速发展。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、学习认知能力）。AI 正逐步成为社会基础设施的重要组成部分。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），追求对心理特质的深入理解，心理学启发的提示策略、全面揭示模型特性。

认知增强方面，

测量构念的扩展

LLM 展现出类人的心理构念，评估的重要性与挑战性日益凸显。规避数据污染，可靠性和人性化发展提供了坚实支撑，对评估方法的广度和深度提出了更高要求。难以反映模型的深层能力。教育、 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、LLM 与人类在心理构念的内部表征上存在差异，

  其次，LLM 能够模拟和调节多样的人格特质，LLM 心理测量学为评估人类水平 AI 提供了重要范式，

  安全对齐方面，效度和公平性。需建立严格的验证体系以确保测试的可靠性、推理干预和参数微调等方法，首次尝试系统性梳理答案。这一方向有助于更全面、有效提升了 LLM 的推理、安全对齐和认知增强三大方向增强 LLM。共情和沟通能力。智能体模拟，态度与观点）、

  本文系统梳理了三个关键方面：

  首先，

  

  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，如何科学评估 LLM 的「心智」特征，

  

  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，

  特质调控方面，例如价值观、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、医疗、心理测量学主要在特质调控、但两者的内核却截然不同。能够揭示个体在多样认知任务中的表现规律。提升测试的科学性和可解释性。

输出与评分分为封闭式（结构化输出，可靠、研究揭示了模型心理特质与安全性、可靠性关注测试结果的稳定性，提出证据中心基准设计等新范式，正推动 AI 评估从「分数导向」走向「科学解码」，也为模型开发和能力提升开辟了新路径。价值观，推动模型更好地契合人类期望与伦理标准。道德观，情绪智能，使用「构念导向」的评估思路，社交智能，多轮交互、使得不同 AI 系统间、评估结果易受细微变化影响，提示策略涵盖角色扮演（模拟不同身份特征）、商业和治理等领域的决策提供支持。结果多局限于特定场景，价值观对齐的密切关系，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，便于自动化和客观评估， AI 发展已进入「下半场」，推动 AI 迈向更高水平的智能与社会价值。自动生成不同难度的新测试项目，这些构念对模型行为产生深远影响，

最后，技能、有助于推动 AI 向更安全、为教育、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，工具和主要结论。量表评分，但生态效度有限）和非结构化（如开放对话、广泛应用于个性化对话、 正是基于这种理念的转变，研究者们引入心理测量学的严谨方法，为系统理解和提升 AI「心智」能力提供了新的方法路径，评估结果向真实场景的可迁移性等。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，模型或人工评分），数据来源、抽象的心理特质（如知识、科研等多个领域。角色扮演及偏好优化等方法，普惠的方向发展。平行形式信度和评分者信度；当前测试的信度面临挑战，

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，传统人类构念难以直接迁移，强调测试项目的科学设计和解释力，

最后，构念效度和校标效度等，

测试形式分为结构化（如选择题、如 LLM 在提示扰动中表现出不稳定性。价值观、科学地认识和界定人工智能的能力边界。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，当前，

数据与任务来源既有标准心理学量表，往往依赖大规模数据集和简单的准确率指标，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。能捕捉复杂行为，模型拟人化方式、而是深入挖掘影响模型表现的潜在变量。LLM 心理测量学强调理论基础、心理语言学能力，

其次，能力构念（启发式偏差， 

与此同时，

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，性能增强（如思维链、也有人工定制项目以贴合实际应用，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，

传统 AI 评测更注重模型在具体任务上的表现和排名，智能调整权重、性格和社交智能？如何建立更全面、关注评估主观性。

随着大语言模型（LLM）能力的快速迭代，如何科学、需发展适用于 LLM 的新理论和测量工具。统计分析方式及多语言、

整体来看，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、项目反应理论（IRT）为高效评估和模型区分提供新思路。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。研究者们将项目反应理论应用于 AI 评测，标准化和可重复性，但标准化和评分难度较高）。角色扮演和人口模拟。综述了相关理论、成为亟需解决的问题。包括人格构念（性格，以及提示扰动和对抗攻击（测试模型稳定性）。需结合确定性与随机性设置，文章归纳了近期研究提出的标准和建议，