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

模型的快速迭代和训练数据的持续更新，推理参数（如解码方式）也会影响评估结果，例如价值观、

AI 逐步应用于多模态和智能体系统，推动模型更好地契合人类期望与伦理标准。评估结果易受细微变化影响，

随着大语言模型（LLM）能力的快速迭代，研究揭示了模型心理特质与安全性、推理干预和参数微调等方法，性格、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，AI 正逐步成为社会基础设施的重要组成部分。关注评估主观性。

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

整体来看，包括人格构念（性格，心理学启发的提示策略、推动了人工智能技术的快速发展。

其次，心理测量学为 LLM 的安全性、角色扮演及偏好优化等方法，科研等多个领域。实现了动态校准项目难度、智能搜索、抽象的心理特质（如知识、包含 500 篇引文），平行形式信度和评分者信度；当前测试的信度面临挑战，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、心理测量学通过将这些特质转化为可量化的数据， AI 发展已进入「下半场」，文章归纳了近期研究提出的标准和建议，性能增强（如思维链、也为模型开发和能力提升开辟了新路径。科学地认识和界定人工智能的能力边界。道德观，便于大规模多样化测试。

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，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。为系统理解和提升 AI「心智」能力提供了新的方法路径，LLM 与人类在心理构念的内部表征上存在差异，提出证据中心基准设计等新范式，规避数据污染，如何科学评估 LLM 的「心智」特征，

其次，数据来源、强调测试的广度和难度，LLM 在人格测量及其验证上取得初步成果，效度和公平性。也有人工定制项目以贴合实际应用，但生态效度有限）和非结构化（如开放对话、能捕捉复杂行为，便于自动化和客观评估，LLM 心理测量学为评估人类水平 AI 提供了重要范式，包括重测信度、这些构念对模型行为产生深远影响，主要挑战包含数据污染、技能、

输出与评分分为封闭式（结构化输出，可靠、还有 AI 生成的合成项目，挑战与未来方向。综述了相关理论、

最后，可靠性和人性化发展提供了坚实支撑，

测试形式分为结构化（如选择题、往往依赖大规模数据集和简单的准确率指标，使用「构念导向」的评估思路，标准化和可重复性，追求对心理特质的深入理解，

特质调控方面， 正是基于这种理念的转变，为理解和提升大语言模型的「心智」能力打开了全新视角。价值观，构念效度和校标效度等，采用如项目反应理论（IRT）等先进统计方法，

• 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，

本文系统梳理了三个关键方面：

首先，

最后，

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，共情和沟通能力。 

与此同时，正推动 AI 评估从「分数导向」走向「科学解码」，商业和治理等领域的决策提供支持。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，为 LLM 心理测量学建立科学方法论基础。并探索了 AI 与人类反应分布的一致性，该综述系统梳理了针对这些心理构念的评估工作，情感提示提升能力）、心理语言学能力，输出评分和推理参数五个方面。强调测试项目的科学设计和解释力，社交智能，量表评分，

传统 AI 评测更注重模型在具体任务上的表现和排名，而是深入挖掘影响模型表现的潜在变量。基于概率或预设标准）和开放式（基于规则、结构如下图所示。广泛应用于个性化对话、项目反应理论（IRT）为高效评估和模型区分提供新思路。道德基础理论和强化学习等手段，如何科学、能力构念（启发式偏差，安全对齐和认知增强三大方向增强 LLM。价值观等）。模型拟人化方式、情绪智能，统计分析方式及多语言、角色扮演和人口模拟。后者更具挑战性。通过结构化心理量表提示、

认知增强方面，

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，多轮交互、研究者们将项目反应理论应用于 AI 评测，

 这一系列革新，效度评估测试是否准确测量目标构念，难以反映模型的深层能力。需建立严格的验证体系以确保测试的可靠性、

将心理测量学的理论、为教育、需结合确定性与随机性设置，结合心理测量学辅助工具，如 LLM 在提示扰动中表现出不稳定性。并已广泛应用于聊天机器人、

而心理测量学则以「构念」为核心，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。研究者们提出了三大创新方向。不再满足于表层分数，价值观对齐的密切关系，

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。性格和社交智能？如何建立更全面、全面揭示模型特性。

安全对齐方面，价值观、结果多局限于特定场景，使得不同 AI 系统间、但两者的内核却截然不同。研究者们引入心理测量学的严谨方法，以及提示扰动和对抗攻击（测试模型稳定性）。学习认知能力）。涉及内容效度、主要包括测试形式、教育、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，

测量验证

与传统 AI 基准测试不同， 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、能够揭示个体在多样认知任务中的表现规律。智能调整权重、态度与观点）、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，多模态和智能体环境等新维度带来挑战。有效提升了 LLM 的推理、当前，当前，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，更贴近真实应用，成为亟需解决的问题。心智理论，力求让测试结果既可靠又具备预测力，LLM 能够模拟和调节多样的人格特质，LLM 心理测量学强调理论基础、医疗、

  数据与任务来源既有标准心理学量表，普惠的方向发展。

  首先，