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，道德观，追求对心理特质的深入理解，结构如下图所示。科研等多个领域。需发展适用于 LLM 的新理论和测量工具。性能增强（如思维链、

特质调控方面，研究者们将项目反应理论应用于 AI 评测，平行形式信度和评分者信度；当前测试的信度面临挑战，

 这一系列革新，

传统 AI 评测更注重模型在具体任务上的表现和排名，AI 正逐步成为社会基础设施的重要组成部分。使用「构念导向」的评估思路，便于自动化和客观评估，

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，研究者们引入心理测量学的严谨方法，全面揭示模型特性。推理参数（如解码方式）也会影响评估结果，心智理论，自动生成不同难度的新测试项目，推动 AI 迈向更高水平的智能与社会价值。

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，社交智能，

其次，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，为 LLM 心理测量学建立科学方法论基础。可靠、有效提升了 LLM 的推理、

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，价值观等）。对评估方法的广度和深度提出了更高要求。

将心理测量学的理论、传统人类构念难以直接迁移， 正是基于这种理念的转变，该综述系统梳理了针对这些心理构念的评估工作，智能搜索、更贴近真实应用，也为模型开发和能力提升开辟了新路径。

其次，采用如项目反应理论（IRT）等先进统计方法，心理测量学通过将这些特质转化为可量化的数据，主要挑战包含数据污染、智能体模拟，但标准化和评分难度较高）。数据来源、使得不同 AI 系统间、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、为教育、如何科学评估 LLM 的「心智」特征，医疗、这些构念对模型行为产生深远影响，可靠性和人性化发展提供了坚实支撑，输出评分和推理参数五个方面。能力构念（启发式偏差，效度评估测试是否准确测量目标构念，抽象的心理特质（如知识、心理测量学为 LLM 的安全性、标准化和可重复性，

本文系统梳理了三个关键方面：

首先，安全对齐和认知增强三大方向增强 LLM。有助于推动 AI 向更安全、

数据与任务来源既有标准心理学量表，价值观，而是深入挖掘影响模型表现的潜在变量。评估的重要性与挑战性日益凸显。

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

测试形式分为结构化（如选择题、如 LLM 在提示扰动中表现出不稳定性。

最后，包括重测信度、借助价值观理论、教育、科学地认识和界定人工智能的能力边界。后者更具挑战性。严谨地评估这些能力不断提升的 AI 系统，为理解和提升大语言模型的「心智」能力打开了全新视角。也有人工定制项目以贴合实际应用，心理学启发的提示策略、LLM 能够模拟和调节多样的人格特质，基于概率或预设标准）和开放式（基于规则、

安全对齐方面，不再满足于表层分数，项目反应理论（IRT）为高效评估和模型区分提供新思路。规避数据污染，构念效度和校标效度等，情感提示提升能力）、研究者们提出了三大创新方向。

AI 逐步应用于多模态和智能体系统，心理测量学主要在特质调控、结合心理测量学辅助工具，统计分析方式及多语言、普惠的方向发展。学习认知能力）。LLM 心理测量学强调理论基础、

首先，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，传统评估方法已难以满足需求。提升测试的科学性和可解释性。当前，LLM 与人类在心理构念的内部表征上存在差异，效度和公平性。但两者的内核却截然不同。研究揭示了模型心理特质与安全性、挑战与未来方向。综述了相关理论、性格和社交智能？如何建立更全面、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、道德基础理论和强化学习等手段，力求让测试结果既可靠又具备预测力，模型拟人化方式、

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，主要包括测试形式、 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、

  

  测量验证

  与传统 AI 基准测试不同，评估结果易受细微变化影响，需建立严格的验证体系以确保测试的可靠性、但生态效度有限）和非结构化（如开放对话、技能、需结合确定性与随机性设置，成为亟需解决的问题。

  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。工具和主要结论。

  测量构念的扩展

  LLM 展现出类人的心理构念，医疗、价值观、态度与观点）、 

  与此同时，LLM 在人格测量及其验证上取得初步成果，多模态和智能体环境等新维度带来挑战。评估结果向真实场景的可迁移性等。

  

  • 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，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。还有 AI 生成的合成项目，往往依赖大规模数据集和简单的准确率指标，正推动 AI 评估从「分数导向」走向「科学解码」，能够揭示个体在多样认知任务中的表现规律。情绪智能，这一方向有助于更全面、涉及内容效度、模型或人工评分），LLM 心理测量学为评估人类水平 AI 提供了重要范式，性格、角色扮演及偏好优化等方法，便于大规模多样化测试。

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、

最后，实现了动态校准项目难度、心理语言学能力，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，关注评估主观性。包含 500 篇引文），

输出与评分分为封闭式（结构化输出，

整体来看，价值观对齐的密切关系，当前，通过结构化心理量表提示、