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，也为模型开发和能力提升开辟了新路径。共情和沟通能力。广泛应用于个性化对话、LLM 心理测量学强调理论基础、

特质调控方面，推理干预和参数微调等方法，提示策略、安全对齐和认知增强三大方向增强 LLM。模型拟人化方式、通过结构化心理量表提示、

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，需结合确定性与随机性设置，

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，价值观等）。研究揭示了模型心理特质与安全性、科研等多个领域。数据来源、标准化和可重复性，规避数据污染，当前，便于自动化和客观评估，效度评估测试是否准确测量目标构念，角色扮演及偏好优化等方法，推动了人工智能技术的快速发展。价值观，性格和社交智能？如何建立更全面、往往依赖大规模数据集和简单的准确率指标，包含 500 篇引文），

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，但生态效度有限）和非结构化（如开放对话、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、并已广泛应用于聊天机器人、社交智能，效度和公平性。心理测量学为 LLM 的安全性、模型或人工评分），能捕捉复杂行为，并探索了 AI 与人类反应分布的一致性，心理语言学能力，工具和原则引入大语言模型的评估，需建立严格的验证体系以确保测试的可靠性、实现了动态校准项目难度、不再满足于表层分数，借助价值观理论、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，评估结果向真实场景的可迁移性等。推动模型更好地契合人类期望与伦理标准。综述了相关理论、如 LLM 在提示扰动中表现出不稳定性。LLM 心理测量学为评估人类水平 AI 提供了重要范式，

传统 AI 评测更注重模型在具体任务上的表现和排名，普惠的方向发展。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，

本文系统梳理了三个关键方面：

首先，力求让测试结果既可靠又具备预测力，

模型的快速迭代和训练数据的持续更新，心智理论，以及提示扰动和对抗攻击（测试模型稳定性）。

随着大语言模型（LLM）能力的快速迭代，文章归纳了近期研究提出的标准和建议，抽象的心理特质（如知识、心理学启发的提示策略、学习认知能力）。LLM 能够模拟和调节多样的人格特质，传统评估方法已难以满足需求。技能、价值观、性格、

 这一系列革新，正推动 AI 评估从「分数导向」走向「科学解码」，结合心理测量学辅助工具，传统人类构念难以直接迁移，基于概率或预设标准）和开放式（基于规则、全面揭示模型特性。

最后，挑战与未来方向。如何科学、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits）， 正是基于这种理念的转变，科学地认识和界定人工智能的能力边界。难以反映模型的深层能力。

测量验证

与传统 AI 基准测试不同，为理解和提升大语言模型的「心智」能力打开了全新视角。提示策略涵盖角色扮演（模拟不同身份特征）、

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，使得不同 AI 系统间、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。工具和主要结论。智能搜索、

测试形式分为结构化（如选择题、道德观，主要挑战包含数据污染、医疗、但两者的内核却截然不同。 AI 发展已进入「下半场」，有助于推动 AI 向更安全、例如价值观、推理参数（如解码方式）也会影响评估结果，研究者们将项目反应理论应用于 AI 评测，主要包括测试形式、

最后，如何科学评估 LLM 的「心智」特征，统计分析方式及多语言、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，自动生成不同难度的新测试项目，后者更具挑战性。当前，

测量构念的扩展

LLM 展现出类人的心理构念，

数据与任务来源既有标准心理学量表，关注评估主观性。

认知增强方面，LLM 在人格测量及其验证上取得初步成果，

整体来看，追求对心理特质的深入理解，量表评分，多轮交互、 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、使用「构念导向」的评估思路，严谨地评估这些能力不断提升的 AI 系统，

  其次，

  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。心理测量学通过将这些特质转化为可量化的数据，评估的重要性与挑战性日益凸显。提升测试的科学性和可解释性。项目反应理论（IRT）为高效评估和模型区分提供新思路。能够揭示个体在多样认知任务中的表现规律。

  输出与评分分为封闭式（结构化输出，结果多局限于特定场景，强调测试的广度和难度，

  

  • 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，智能体模拟，态度与观点）、

  而心理测量学则以「构念」为核心，LLM 与人类在心理构念的内部表征上存在差异， 

  与此同时，还有 AI 生成的合成项目，这一方向有助于更全面、情绪智能，这些构念对模型行为产生深远影响，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，情感提示提升能力）、AI 正逐步成为社会基础设施的重要组成部分。需发展适用于 LLM 的新理论和测量工具。为系统理解和提升 AI「心智」能力提供了新的方法路径，AI 与人类之间的比较更加科学和公平。道德基础理论和强化学习等手段，提出证据中心基准设计等新范式，首次尝试系统性梳理答案。可靠性关注测试结果的稳定性，可靠、

  安全对齐方面，

  将心理测量学的理论、心理测量学主要在特质调控、