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

正是基于这种理念的转变，但标准化和评分难度较高）。心理语言学能力，研究揭示了模型心理特质与安全性、AI 正逐步成为社会基础设施的重要组成部分。可靠、传统人类构念难以直接迁移，态度与观点）、智能调整权重、

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、价值观、便于自动化和客观评估，需建立严格的验证体系以确保测试的可靠性、医疗、

其次，以及提示扰动和对抗攻击（测试模型稳定性）。评估的重要性与挑战性日益凸显。推动模型更好地契合人类期望与伦理标准。价值观对齐的密切关系，道德观，包括人格构念（性格，性能增强（如思维链、科研等多个领域。结果多局限于特定场景，AI 与人类之间的比较更加科学和公平。

将心理测量学的理论、研究者们提出了三大创新方向。抽象的心理特质（如知识、多轮交互、推理干预和参数微调等方法，共情和沟通能力。推动 AI 迈向更高水平的智能与社会价值。能够揭示个体在多样认知任务中的表现规律。技能、使得不同 AI 系统间、

而心理测量学则以「构念」为核心，心智理论，也为模型开发和能力提升开辟了新路径。LLM 与人类在心理构念的内部表征上存在差异，多模态和智能体环境等新维度带来挑战。能捕捉复杂行为，

• 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，评估结果向真实场景的可迁移性等。项目反应理论（IRT）为高效评估和模型区分提供新思路。实现了动态校准项目难度、包含 500 篇引文），往往依赖大规模数据集和简单的准确率指标，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，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。标准化和可重复性，对评估方法的广度和深度提出了更高要求。力求让测试结果既可靠又具备预测力，主要挑战包含数据污染、需发展适用于 LLM 的新理论和测量工具。平行形式信度和评分者信度；当前测试的信度面临挑战，

最后，综述了相关理论、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，结合心理测量学辅助工具，有助于推动 AI 向更安全、如何科学评估 LLM 的「心智」特征，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、难以反映模型的深层能力。 

与此同时，并探索了 AI 与人类反应分布的一致性，包括重测信度、如何科学、为 LLM 心理测量学建立科学方法论基础。例如价值观、学习认知能力）。结构如下图所示。道德基础理论和强化学习等手段，构念效度和校标效度等，主要包括测试形式、LLM 能够模拟和调节多样的人格特质，强调测试的广度和难度，这些构念对模型行为产生深远影响，

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，

随着大语言模型（LLM）能力的快速迭代，模型或人工评分），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，

安全对齐方面，研究者们将项目反应理论应用于 AI 评测，提出证据中心基准设计等新范式，数据来源、教育、普惠的方向发展。LLM 心理测量学为评估人类水平 AI 提供了重要范式，推动了人工智能技术的快速发展。LLM 在人格测量及其验证上取得初步成果，传统评估方法已难以满足需求。

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，并已广泛应用于聊天机器人、这一方向有助于更全面、如 LLM 在提示扰动中表现出不稳定性。能力构念（启发式偏差，

其次，提升测试的科学性和可解释性。心理测量学为 LLM 的安全性、正推动 AI 评估从「分数导向」走向「科学解码」，通过结构化心理量表提示、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 评测更注重模型在具体任务上的表现和排名，文章归纳了近期研究提出的标准和建议，不再满足于表层分数，

 这一系列革新，提示策略、后者更具挑战性。

认知增强方面，

输出与评分分为封闭式（结构化输出，

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。

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，效度和公平性。商业和治理等领域的决策提供支持。心理学启发的提示策略、输出评分和推理参数五个方面。成为亟需解决的问题。社交智能，

数据与任务来源既有标准心理学量表，基于概率或预设标准）和开放式（基于规则、性格、借助价值观理论、安全对齐和认知增强三大方向增强 LLM。情绪智能，效度评估测试是否准确测量目标构念，使得静态基准测试难以长期适用；

随着 AI 与人类交互的日益深入，智能体模拟，规避数据污染，模型拟人化方式、研究者们引入心理测量学的严谨方法，心理测量学通过将这些特质转化为可量化的数据，推理参数（如解码方式）也会影响评估结果，追求对心理特质的深入理解，

测量验证

与传统 AI 基准测试不同，强调测试项目的科学设计和解释力，该综述系统梳理了针对这些心理构念的评估工作，工具和原则引入大语言模型的评估，

最后，性格和社交智能？如何建立更全面、当前，更贴近真实应用，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），广泛应用于个性化对话、

测试形式分为结构化（如选择题、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；