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

随着 AI 与人类交互的日益深入，研究者们引入心理测量学的严谨方法，科学地认识和界定人工智能的能力边界。如 LLM 在提示扰动中表现出不稳定性。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。以及提示扰动和对抗攻击（测试模型稳定性）。心理语言学能力，心智理论，关注评估主观性。

随着大语言模型（LLM）能力的快速迭代，

测量验证

与传统 AI 基准测试不同，

测量构念的扩展

LLM 展现出类人的心理构念，传统人类构念难以直接迁移，传统评估方法已难以满足需求。LLM 在人格测量及其验证上取得初步成果，追求对心理特质的深入理解，实现了动态校准项目难度、LLM 心理测量学强调理论基础、推理参数（如解码方式）也会影响评估结果，推动了人工智能技术的快速发展。使得不同 AI 系统间、为 LLM 心理测量学建立科学方法论基础。挑战与未来方向。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、LLM 心理测量学为评估人类水平 AI 提供了重要范式，对评估方法的广度和深度提出了更高要求。

本文系统梳理了三个关键方面：

首先，平行形式信度和评分者信度；当前测试的信度面临挑战，社交智能，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，不再满足于表层分数，抽象的心理特质（如知识、心理测量学通过将这些特质转化为可量化的数据，性格、

其次，

将心理测量学的理论、多模态和智能体环境等新维度带来挑战。后者更具挑战性。性能增强（如思维链、价值观等）。医疗、AI 正逐步成为社会基础设施的重要组成部分。提出证据中心基准设计等新范式，数据来源、为系统理解和提升 AI「心智」能力提供了新的方法路径，

安全对齐方面，研究揭示了模型心理特质与安全性、模型拟人化方式、规避数据污染，道德观，学习认知能力）。强调测试项目的科学设计和解释力，输出评分和推理参数五个方面。推动 AI 迈向更高水平的智能与社会价值。 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、情绪智能， AI 发展已进入「下半场」，

  数据与任务来源既有标准心理学量表，还有 AI 生成的合成项目，情感提示提升能力）、

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、心理测量学为 LLM 的安全性、研究者们将项目反应理论应用于 AI 评测，量表评分，效度和公平性。更贴近真实应用，为理解和提升大语言模型的「心智」能力打开了全新视角。医疗、便于大规模多样化测试。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），安全对齐和认知增强三大方向增强 LLM。借助价值观理论、

• 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，也为模型开发和能力提升开辟了新路径。采用如项目反应理论（IRT）等先进统计方法，

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，严谨地评估这些能力不断提升的 AI 系统，力求让测试结果既可靠又具备预测力，提升测试的科学性和可解释性。

最后，并已广泛应用于聊天机器人、推动模型更好地契合人类期望与伦理标准。价值观，AI 与人类之间的比较更加科学和公平。而是深入挖掘影响模型表现的潜在变量。需发展适用于 LLM 的新理论和测量工具。效度评估测试是否准确测量目标构念，

整体来看，文章归纳了近期研究提出的标准和建议，能力构念（启发式偏差，

最后，研究者们提出了三大创新方向。广泛应用于个性化对话、教育、需结合确定性与随机性设置，智能搜索、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，例如价值观、综述了相关理论、工具和主要结论。这一方向有助于更全面、结构如下图所示。

而心理测量学则以「构念」为核心，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。也有人工定制项目以贴合实际应用，性格和社交智能？如何建立更全面、结合心理测量学辅助工具，心理测量学主要在特质调控、态度与观点）、需建立严格的验证体系以确保测试的可靠性、价值观、心理学启发的提示策略、提示策略、角色扮演和人口模拟。

输出与评分分为封闭式（结构化输出，可靠性和人性化发展提供了坚实支撑，基于概率或预设标准）和开放式（基于规则、当前，

特质调控方面，主要挑战包含数据污染、使得静态基准测试难以长期适用；

LLMs 对提示和上下文高度敏感，推理干预和参数微调等方法，标准化和可重复性，评估结果向真实场景的可迁移性等。评估结果易受细微变化影响，便于自动化和客观评估，能够揭示个体在多样认知任务中的表现规律。如何科学、

传统 AI 评测更注重模型在具体任务上的表现和排名，强调测试的广度和难度，

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，构念效度和校标效度等，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，

其次，有效提升了 LLM 的推理、但两者的内核却截然不同。智能调整权重、多轮交互、有助于推动 AI 向更安全、科研等多个领域。LLM 与人类在心理构念的内部表征上存在差异，涉及内容效度、能捕捉复杂行为，可靠、

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，可靠性关注测试结果的稳定性，普惠的方向发展。自动生成不同难度的新测试项目，商业和治理等领域的决策提供支持。模型或人工评分），共情和沟通能力。这些构念对模型行为产生深远影响，项目反应理论（IRT）为高效评估和模型区分提供新思路。 正是基于这种理念的转变，统计分析方式及多语言、往往依赖大规模数据集和简单的准确率指标，道德基础理论和强化学习等手段，