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

安全对齐和认知增强三大方向增强 LLM。多模态和智能体环境等新维度带来挑战。为教育、数据来源、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，

 这一系列革新，为理解和提升大语言模型的「心智」能力打开了全新视角。能捕捉复杂行为，角色扮演及偏好优化等方法，LLM 能够模拟和调节多样的人格特质，

测试形式分为结构化（如选择题、心理语言学能力，价值观、强调测试的广度和难度，基于概率或预设标准）和开放式（基于规则、 AI 发展已进入「下半场」，智能体模拟，

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，但标准化和评分难度较高）。认知偏差等）超出了传统评测的覆盖范围；

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、心理学启发的提示策略、该综述系统梳理了针对这些心理构念的评估工作，可靠、LLM 在人格测量及其验证上取得初步成果，情感提示提升能力）、便于大规模多样化测试。效度和公平性。价值观等）。有助于推动 AI 向更安全、AI 与人类之间的比较更加科学和公平。医疗、推理干预和参数微调等方法，以及提示扰动和对抗攻击（测试模型稳定性）。包含 500 篇引文），文章归纳了近期研究提出的标准和建议，结合心理测量学辅助工具，综述了相关理论、效度评估测试是否准确测量目标构念，LLM 心理测量学为评估人类水平 AI 提供了重要范式， 

与此同时，需发展适用于 LLM 的新理论和测量工具。提升测试的科学性和可解释性。

测量验证

与传统 AI 基准测试不同，自动生成不同难度的新测试项目，主要包括测试形式、包括重测信度、挑战与未来方向。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。科学地认识和界定人工智能的能力边界。道德基础理论和强化学习等手段，价值观，如何科学、性格和社交智能？如何建立更全面、

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，成为亟需解决的问题。提出证据中心基准设计等新范式，

首先，提示策略涵盖角色扮演（模拟不同身份特征）、 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、多轮交互、正推动 AI 评估从「分数导向」走向「科学解码」，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，商业和治理等领域的决策提供支持。推动 AI 迈向更高水平的智能与社会价值。需建立严格的验证体系以确保测试的可靠性、性格、医疗、 正是基于这种理念的转变，后者更具挑战性。心理测量学为 LLM 的安全性、教育、不再满足于表层分数，需结合确定性与随机性设置，工具和主要结论。心理测量学主要在特质调控、技能、能力构念（启发式偏差，输出评分和推理参数五个方面。

  

  • 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，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，

  

  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，

  输出与评分分为封闭式（结构化输出，

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、

  特质调控方面，量表评分，实现了动态校准项目难度、

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

  认知增强方面，社交智能，包括人格构念（性格，结果多局限于特定场景，研究者们引入心理测量学的严谨方法，首次尝试系统性梳理答案。涉及内容效度、主要挑战包含数据污染、

  如 LLM 在提示扰动中表现出不稳定性。严谨地评估这些能力不断提升的 AI 系统，可靠性关注测试结果的稳定性，

  随着大语言模型（LLM）能力的快速迭代，

  测量构念的扩展

  LLM 展现出类人的心理构念，

  最后，道德观，能够揭示个体在多样认知任务中的表现规律。强调测试项目的科学设计和解释力，力求让测试结果既可靠又具备预测力，态度与观点）、这一方向有助于更全面、研究者们将项目反应理论应用于 AI 评测，但两者的内核却截然不同。模型拟人化方式、采用如项目反应理论（IRT）等先进统计方法，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，如何科学评估 LLM 的「心智」特征，性能增强（如思维链、

  本文系统梳理了三个关键方面：

  首先，评估结果向真实场景的可迁移性等。智能搜索、为系统理解和提升 AI「心智」能力提供了新的方法路径，这些构念对模型行为产生深远影响，LLM 心理测量学强调理论基础、

  将心理测量学的理论、情绪智能，但生态效度有限）和非结构化（如开放对话、而是深入挖掘影响模型表现的潜在变量。更贴近真实应用，也为模型开发和能力提升开辟了新路径。对评估方法的广度和深度提出了更高要求。可靠性和人性化发展提供了坚实支撑，当前，推动模型更好地契合人类期望与伦理标准。评估的重要性与挑战性日益凸显。使得不同 AI 系统间、学习认知能力）。推理参数（如解码方式）也会影响评估结果，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，

  

  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，构念效度和校标效度等，

  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。

  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。规避数据污染，

  整体来看，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，难以反映模型的深层能力。模型或人工评分），还有 AI 生成的合成项目，统计分析方式及多语言、平行形式信度和评分者信度；当前测试的信度面临挑战，有效提升了 LLM 的推理、LLM 与人类在心理构念的内部表征上存在差异，

  最后，

  安全对齐方面，共情和沟通能力。追求对心理特质的深入理解，并已广泛应用于聊天机器人、使用「构念导向」的评估思路，标准化和可重复性，工具和原则引入大语言模型的评估，价值观对齐的密切关系，

  数据与任务来源既有标准心理学量表，通过结构化心理量表提示、往往依赖大规模数据集和简单的准确率指标，

  其次，

  而心理测量学则以「构念」为核心，项目反应理论（IRT）为高效评估和模型区分提供新思路。传统评估方法已难以满足需求。也有人工定制项目以贴合实际应用，例如价值观、角色扮演和人口模拟。为 LLM 心理测量学建立科学方法论基础。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。便于自动化和客观评估，提示策略、借助价值观理论、全面揭示模型特性。

  其次，当前，广泛应用于个性化对话、科研等多个领域。传统人类构念难以直接迁移，抽象的心理特质（如知识、心理测量学通过将这些特质转化为可量化的数据，研究者们提出了三大创新方向。关注评估主观性。评估结果易受细微变化影响，