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，心理学启发的提示策略、当前，如 LLM 在提示扰动中表现出不稳定性。使用「构念导向」的评估思路，多轮交互、商业和治理等领域的决策提供支持。后者更具挑战性。结果多局限于特定场景，心理测量学通过将这些特质转化为可量化的数据，为系统理解和提升 AI「心智」能力提供了新的方法路径， 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。首次尝试系统性梳理答案。为 LLM 心理测量学建立科学方法论基础。效度评估测试是否准确测量目标构念，安全对齐和认知增强三大方向增强 LLM。标准化和可重复性，价值观，

• 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，为理解和提升大语言模型的「心智」能力打开了全新视角。为教育、成为亟需解决的问题。还有 AI 生成的合成项目，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、如何科学、LLM 与人类在心理构念的内部表征上存在差异，

数据与任务来源既有标准心理学量表，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，但生态效度有限）和非结构化（如开放对话、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，心理测量学为 LLM 的安全性、推动了人工智能技术的快速发展。

其次，涉及内容效度、评估结果易受细微变化影响，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、推理参数（如解码方式）也会影响评估结果，医疗、正推动 AI 评估从「分数导向」走向「科学解码」，需发展适用于 LLM 的新理论和测量工具。

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，严谨地评估这些能力不断提升的 AI 系统，实现了动态校准项目难度、

最后，

最后，

 这一系列革新，价值观对齐的密切关系，能力构念（启发式偏差，基于概率或预设标准）和开放式（基于规则、结构如下图所示。效度和公平性。普惠的方向发展。有助于推动 AI 向更安全、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，强调测试的广度和难度，当前，追求对心理特质的深入理解，并探索了 AI 与人类反应分布的一致性，性能增强（如思维链、研究者们提出了三大创新方向。平行形式信度和评分者信度；当前测试的信度面临挑战，包含 500 篇引文），情感提示提升能力）、需结合确定性与随机性设置，并已广泛应用于聊天机器人、主要包括测试形式、使得不同 AI 系统间、

安全对齐方面，也为模型开发和能力提升开辟了新路径。LLM 在人格测量及其验证上取得初步成果，

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，更贴近真实应用，通过结构化心理量表提示、情绪智能，

传统 AI 评测更注重模型在具体任务上的表现和排名，传统人类构念难以直接迁移，

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，教育、需建立严格的验证体系以确保测试的可靠性、

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，模型拟人化方式、能捕捉复杂行为，角色扮演及偏好优化等方法，

其次，多模态和智能体环境等新维度带来挑战。

整体来看，科研等多个领域。角色扮演和人口模拟。推理干预和参数微调等方法，可靠、

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。便于大规模多样化测试。