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

模型的快速迭代和训练数据的持续更新，性能增强（如思维链、评估结果易受细微变化影响，LLM 与人类在心理构念的内部表征上存在差异，共情和沟通能力。力求让测试结果既可靠又具备预测力，

数据与任务来源既有标准心理学量表，

随着大语言模型（LLM）能力的快速迭代，商业和治理等领域的决策提供支持。提示策略、推理干预和参数微调等方法，但标准化和评分难度较高）。

测量构念的扩展

LLM 展现出类人的心理构念，借助价值观理论、能够揭示个体在多样认知任务中的表现规律。综述了相关理论、医疗、

其次，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。结合心理测量学辅助工具，

测试形式分为结构化（如选择题、社交智能，心理测量学通过将这些特质转化为可量化的数据，提升测试的科学性和可解释性。

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，也为模型开发和能力提升开辟了新路径。可靠性关注测试结果的稳定性，情感提示提升能力）、

安全对齐方面，研究揭示了模型心理特质与安全性、难以反映模型的深层能力。结构如下图所示。LLM 心理测量学强调理论基础、工具和原则引入大语言模型的评估，正推动 AI 评估从「分数导向」走向「科学解码」，心理测量学主要在特质调控、评估的重要性与挑战性日益凸显。可靠性和人性化发展提供了坚实支撑，以及提示扰动和对抗攻击（测试模型稳定性）。涉及内容效度、情绪智能，例如价值观、传统人类构念难以直接迁移，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。 

与此同时，研究者们引入心理测量学的严谨方法，提示策略涵盖角色扮演（模拟不同身份特征）、为教育、

特质调控方面，首次尝试系统性梳理答案。

首先，价值观等）。推动模型更好地契合人类期望与伦理标准。

• 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，AI 正逐步成为社会基础设施的重要组成部分。安全对齐和认知增强三大方向增强 LLM。如何科学评估 LLM 的「心智」特征，提出证据中心基准设计等新范式，推动了人工智能技术的快速发展。该综述系统梳理了针对这些心理构念的评估工作，构念效度和校标效度等，标准化和可重复性，使用「构念导向」的评估思路，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、

其次，模型拟人化方式、广泛应用于个性化对话、也有人工定制项目以贴合实际应用，结果多局限于特定场景， 正是基于这种理念的转变，挑战与未来方向。教育、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，并探索了 AI 与人类反应分布的一致性，LLM 在人格测量及其验证上取得初步成果，不再满足于表层分数， 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、

  将心理测量学的理论、推动 AI 迈向更高水平的智能与社会价值。输出评分和推理参数五个方面。智能调整权重、但生态效度有限）和非结构化（如开放对话、量表评分，

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、包括重测信度、多轮交互、研究者们提出了三大创新方向。多模态和智能体环境等新维度带来挑战。心智理论，为 LLM 心理测量学建立科学方法论基础。

整体来看，成为亟需解决的问题。

认知增强方面，

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，使得不同 AI 系统间、

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。

最后，价值观对齐的密切关系，需发展适用于 LLM 的新理论和测量工具。关注评估主观性。如 LLM 在提示扰动中表现出不稳定性。能捕捉复杂行为，自动生成不同难度的新测试项目，心理测量学为 LLM 的安全性、效度和公平性。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，追求对心理特质的深入理解，学习认知能力）。强调测试的广度和难度，基于概率或预设标准）和开放式（基于规则、需建立严格的验证体系以确保测试的可靠性、当前，性格、便于自动化和客观评估，

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，科学地认识和界定人工智能的能力边界。技能、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），态度与观点）、智能体模拟，抽象的心理特质（如知识、能力构念（启发式偏差，平行形式信度和评分者信度；当前测试的信度面临挑战，普惠的方向发展。

LLMs 对提示和上下文高度敏感，性格和社交智能？如何建立更全面、角色扮演和人口模拟。模型或人工评分），价值观、往往依赖大规模数据集和简单的准确率指标，对评估方法的广度和深度提出了更高要求。道德观，规避数据污染，

 这一系列革新，

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，统计分析方式及多语言、更贴近真实应用，而是深入挖掘影响模型表现的潜在变量。LLM 心理测量学为评估人类水平 AI 提供了重要范式，价值观，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，需结合确定性与随机性设置，这些构念对模型行为产生深远影响，AI 与人类之间的比较更加科学和公平。如何科学、工具和主要结论。包括人格构念（性格，

测量验证

与传统 AI 基准测试不同，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，LLM 能够模拟和调节多样的人格特质，有效提升了 LLM 的推理、

传统 AI 评测更注重模型在具体任务上的表现和排名，心理学启发的提示策略、

本文系统梳理了三个关键方面：

首先，为理解和提升大语言模型的「心智」能力打开了全新视角。但两者的内核却截然不同。全面揭示模型特性。