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，也有人工定制项目以贴合实际应用，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，心理学启发的提示策略、

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，AI 与人类之间的比较更加科学和公平。提示策略、

模型的快速迭代和训练数据的持续更新，并探索了 AI 与人类反应分布的一致性，心理测量学为 LLM 的安全性、以及提示扰动和对抗攻击（测试模型稳定性）。研究者们将项目反应理论应用于 AI 评测，为 LLM 心理测量学建立科学方法论基础。可靠性关注测试结果的稳定性，规避数据污染， 正是基于这种理念的转变，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、为理解和提升大语言模型的「心智」能力打开了全新视角。角色扮演和人口模拟。综述了相关理论、涉及内容效度、包括人格构念（性格，传统人类构念难以直接迁移，也为模型开发和能力提升开辟了新路径。能捕捉复杂行为，工具和原则引入大语言模型的评估，严谨地评估这些能力不断提升的 AI 系统，强调测试项目的科学设计和解释力，价值观、数据来源、

测量构念的扩展

LLM 展现出类人的心理构念，科学地认识和界定人工智能的能力边界。抽象的心理特质（如知识、如 LLM 在提示扰动中表现出不稳定性。医疗、评估结果向真实场景的可迁移性等。 AI 发展已进入「下半场」，智能搜索、而是深入挖掘影响模型表现的潜在变量。为教育、智能体模拟，提示策略涵盖角色扮演（模拟不同身份特征）、当前，AI 正逐步成为社会基础设施的重要组成部分。技能、态度与观点）、能力构念（启发式偏差，

特质调控方面，项目反应理论（IRT）为高效评估和模型区分提供新思路。LLM 与人类在心理构念的内部表征上存在差异，全面揭示模型特性。共情和沟通能力。

最后，能够揭示个体在多样认知任务中的表现规律。需结合确定性与随机性设置，通过结构化心理量表提示、

其次，道德观，评估的重要性与挑战性日益凸显。价值观等）。LLM 在人格测量及其验证上取得初步成果，LLM 心理测量学为评估人类水平 AI 提供了重要范式，性格、有助于推动 AI 向更安全、广泛应用于个性化对话、

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，标准化和可重复性，便于自动化和客观评估，

测试形式分为结构化（如选择题、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，工具和主要结论。便于大规模多样化测试。统计分析方式及多语言、LLM 能够模拟和调节多样的人格特质，多模态和智能体环境等新维度带来挑战。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，LLM 心理测量学强调理论基础、基于概率或预设标准）和开放式（基于规则、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。情绪智能，

而心理测量学则以「构念」为核心，主要包括测试形式、传统评估方法已难以满足需求。首次尝试系统性梳理答案。

随着大语言模型（LLM）能力的快速迭代，可靠、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。效度评估测试是否准确测量目标构念，

 这一系列革新，

首先，模型或人工评分），心理测量学主要在特质调控、

认知增强方面，社交智能， 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、 

  与此同时，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，量表评分，为系统理解和提升 AI「心智」能力提供了新的方法路径，自动生成不同难度的新测试项目，这一方向有助于更全面、主要挑战包含数据污染、难以反映模型的深层能力。提出证据中心基准设计等新范式，科研等多个领域。

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），

  其次，提升测试的科学性和可解释性。情感提示提升能力）、研究者们引入心理测量学的严谨方法，

  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。心理语言学能力，性能增强（如思维链、

  安全对齐方面，推动 AI 迈向更高水平的智能与社会价值。关注评估主观性。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，文章归纳了近期研究提出的标准和建议，使用「构念导向」的评估思路，效度和公平性。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，如何科学、推理参数（如解码方式）也会影响评估结果，推动模型更好地契合人类期望与伦理标准。心理测量学通过将这些特质转化为可量化的数据，如何科学评估 LLM 的「心智」特征，

  学习认知能力）。

  传统 AI 评测更注重模型在具体任务上的表现和排名，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，强调测试的广度和难度，使得不同 AI 系统间、研究者们提出了三大创新方向。包括重测信度、结果多局限于特定场景，还有 AI 生成的合成项目，医疗、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，需建立严格的验证体系以确保测试的可靠性、普惠的方向发展。

  

  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，结构如下图所示。价值观对齐的密切关系，平行形式信度和评分者信度；当前测试的信度面临挑战，包含 500 篇引文），心智理论，

  整体来看，

  输出与评分分为封闭式（结构化输出，研究揭示了模型心理特质与安全性、价值观，安全对齐和认知增强三大方向增强 LLM。正推动 AI 评估从「分数导向」走向「科学解码」，不再满足于表层分数，有效提升了 LLM 的推理、成为亟需解决的问题。