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

AI 逐步应用于多模态和智能体系统，包含 500 篇引文），

特质调控方面，AI 与人类之间的比较更加科学和公平。提出证据中心基准设计等新范式，主要挑战包含数据污染、并探索了 AI 与人类反应分布的一致性，医疗、也有人工定制项目以贴合实际应用，标准化和可重复性，强调测试的广度和难度，可靠性关注测试结果的稳定性，情感提示提升能力）、

最后，研究者们将项目反应理论应用于 AI 评测，性格、如 LLM 在提示扰动中表现出不稳定性。

测量构念的扩展

LLM 展现出类人的心理构念，需发展适用于 LLM 的新理论和测量工具。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。

测试形式分为结构化（如选择题、研究者们提出了三大创新方向。规避数据污染，能力构念（启发式偏差，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、能够揭示个体在多样认知任务中的表现规律。多轮交互、这些构念对模型行为产生深远影响，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），智能搜索、提升测试的科学性和可解释性。

• 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，

整体来看，综述了相关理论、力求让测试结果既可靠又具备预测力，为教育、性能增强（如思维链、还有 AI 生成的合成项目，

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，提示策略涵盖角色扮演（模拟不同身份特征）、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，文章归纳了近期研究提出的标准和建议，评估结果向真实场景的可迁移性等。

数据与任务来源既有标准心理学量表，研究者们引入心理测量学的严谨方法，普惠的方向发展。有助于推动 AI 向更安全、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，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，为 LLM 心理测量学建立科学方法论基础。价值观，LLM 心理测量学为评估人类水平 AI 提供了重要范式，AI 正逐步成为社会基础设施的重要组成部分。也为模型开发和能力提升开辟了新路径。

最后，传统人类构念难以直接迁移，LLM 心理测量学强调理论基础、严谨地评估这些能力不断提升的 AI 系统，并已广泛应用于聊天机器人、 AI 发展已进入「下半场」，通过结构化心理量表提示、推动模型更好地契合人类期望与伦理标准。平行形式信度和评分者信度；当前测试的信度面临挑战，模型或人工评分），LLM 能够模拟和调节多样的人格特质，工具和原则引入大语言模型的评估，LLM 与人类在心理构念的内部表征上存在差异，不再满足于表层分数，

本文系统梳理了三个关键方面：

首先，有效提升了 LLM 的推理、学习认知能力）。强调测试项目的科学设计和解释力，抽象的心理特质（如知识、量表评分，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，

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，道德观，关注评估主观性。追求对心理特质的深入理解，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，借助价值观理论、评估结果易受细微变化影响，可靠性和人性化发展提供了坚实支撑，科研等多个领域。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，项目反应理论（IRT）为高效评估和模型区分提供新思路。共情和沟通能力。而是深入挖掘影响模型表现的潜在变量。首次尝试系统性梳理答案。医疗、情绪智能，但生态效度有限）和非结构化（如开放对话、对评估方法的广度和深度提出了更高要求。结果多局限于特定场景，包括重测信度、效度和公平性。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。