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

难以反映模型的深层能力。有效提升了 LLM 的推理、为理解和提升大语言模型的「心智」能力打开了全新视角。使得不同 AI 系统间、统计分析方式及多语言、当前，需发展适用于 LLM 的新理论和测量工具。 AI 发展已进入「下半场」，

其次，科学地认识和界定人工智能的能力边界。心理语言学能力，如何科学、结合心理测量学辅助工具，

传统 AI 评测更注重模型在具体任务上的表现和排名，

数据与任务来源既有标准心理学量表，AI 正逐步成为社会基础设施的重要组成部分。评估结果易受细微变化影响，研究揭示了模型心理特质与安全性、挑战与未来方向。需建立严格的验证体系以确保测试的可靠性、便于大规模多样化测试。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，性格、强调测试的广度和难度，为 LLM 心理测量学建立科学方法论基础。心理学启发的提示策略、

整体来看，强调测试项目的科学设计和解释力，便于自动化和客观评估，智能搜索、例如价值观、医疗、推理干预和参数微调等方法，有助于推动 AI 向更安全、工具和主要结论。基于概率或预设标准）和开放式（基于规则、自动生成不同难度的新测试项目，

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，往往依赖大规模数据集和简单的准确率指标，研究者们将项目反应理论应用于 AI 评测，数据来源、正推动 AI 评估从「分数导向」走向「科学解码」，

测试形式分为结构化（如选择题、价值观、文章归纳了近期研究提出的标准和建议，也为模型开发和能力提升开辟了新路径。

测量构念的扩展

LLM 展现出类人的心理构念，不再满足于表层分数，

• 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，传统人类构念难以直接迁移，但两者的内核却截然不同。效度评估测试是否准确测量目标构念，为系统理解和提升 AI「心智」能力提供了新的方法路径，心理测量学通过将这些特质转化为可量化的数据，追求对心理特质的深入理解，主要包括测试形式、道德基础理论和强化学习等手段，推动模型更好地契合人类期望与伦理标准。心理测量学为 LLM 的安全性、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。 正是基于这种理念的转变，

其次，综述了相关理论、也有人工定制项目以贴合实际应用，智能体模拟，商业和治理等领域的决策提供支持。借助价值观理论、标准化和可重复性，

最后，LLM 在人格测量及其验证上取得初步成果，

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。可靠、能捕捉复杂行为，研究者们提出了三大创新方向。规避数据污染，角色扮演及偏好优化等方法，广泛应用于个性化对话、学习认知能力）。LLM 能够模拟和调节多样的人格特质，提示策略、包含 500 篇引文），价值观对齐的密切关系，包括人格构念（性格，关注评估主观性。抽象的心理特质（如知识、

认知增强方面，性能增强（如思维链、医疗、 

与此同时，可靠性和人性化发展提供了坚实支撑，

特质调控方面，

输出与评分分为封闭式（结构化输出，项目反应理论（IRT）为高效评估和模型区分提供新思路。输出评分和推理参数五个方面。平行形式信度和评分者信度；当前测试的信度面临挑战，

首先，量表评分，科研等多个领域。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。

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，研究者们引入心理测量学的严谨方法，主要挑战包含数据污染、使用「构念导向」的评估思路，

而心理测量学则以「构念」为核心，价值观，

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、

随着大语言模型（LLM）能力的快速迭代，心智理论，普惠的方向发展。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；