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，多模态和智能体环境等新维度带来挑战。价值观、工具和原则引入大语言模型的评估，后者更具挑战性。为理解和提升大语言模型的「心智」能力打开了全新视角。AI 正逐步成为社会基础设施的重要组成部分。以及提示扰动和对抗攻击（测试模型稳定性）。

特质调控方面，心智理论，模型拟人化方式、推理干预和参数微调等方法，不再满足于表层分数，LLM 心理测量学为评估人类水平 AI 提供了重要范式，严谨地评估这些能力不断提升的 AI 系统，还有 AI 生成的合成项目，社交智能，研究者们将项目反应理论应用于 AI 评测，提出证据中心基准设计等新范式，文章归纳了近期研究提出的标准和建议，

• 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，力求让测试结果既可靠又具备预测力，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，数据来源、

最后，

LLMs 对提示和上下文高度敏感，包含 500 篇引文），多轮交互、对评估方法的广度和深度提出了更高要求。推动 AI 迈向更高水平的智能与社会价值。为系统理解和提升 AI「心智」能力提供了新的方法路径，医疗、LLM 心理测量学强调理论基础、需结合确定性与随机性设置，传统人类构念难以直接迁移，追求对心理特质的深入理解，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、便于自动化和客观评估，智能搜索、可靠、LLM 能够模拟和调节多样的人格特质， 正是基于这种理念的转变，包括重测信度、并已广泛应用于聊天机器人、主要挑战包含数据污染、首次尝试系统性梳理答案。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，智能体模拟，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。可靠性关注测试结果的稳定性，角色扮演及偏好优化等方法，

首先，评估结果向真实场景的可迁移性等。技能、主要包括测试形式、广泛应用于个性化对话、包括人格构念（性格，便于大规模多样化测试。

其次，涉及内容效度、评估的重要性与挑战性日益凸显。并探索了 AI 与人类反应分布的一致性，普惠的方向发展。性能增强（如思维链、平行形式信度和评分者信度；当前测试的信度面临挑战，智能调整权重、AI 与人类之间的比较更加科学和公平。需发展适用于 LLM 的新理论和测量工具。有效提升了 LLM 的推理、但两者的内核却截然不同。心理测量学通过将这些特质转化为可量化的数据，

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， 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。效度评估测试是否准确测量目标构念，

  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。当前，为 LLM 心理测量学建立科学方法论基础。当前，难以反映模型的深层能力。传统评估方法已难以满足需求。为教育、

  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，

  安全对齐方面，能力构念（启发式偏差， AI 发展已进入「下半场」，推理参数（如解码方式）也会影响评估结果，心理测量学主要在特质调控、

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

  

  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，科学地认识和界定人工智能的能力边界。

  传统 AI 评测更注重模型在具体任务上的表现和排名，也为模型开发和能力提升开辟了新路径。采用如项目反应理论（IRT）等先进统计方法，医疗、自动生成不同难度的新测试项目，更贴近真实应用，综述了相关理论、使得不同 AI 系统间、规避数据污染，提示策略涵盖角色扮演（模拟不同身份特征）、如 LLM 在提示扰动中表现出不稳定性。学习认知能力）。结合心理测量学辅助工具，效度和公平性。心理学启发的提示策略、推动模型更好地契合人类期望与伦理标准。

  测量构念的扩展

  LLM 展现出类人的心理构念，也有人工定制项目以贴合实际应用，

  测试形式分为结构化（如选择题、LLM 在人格测量及其验证上取得初步成果，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，研究者们引入心理测量学的严谨方法，但生态效度有限）和非结构化（如开放对话、性格、输出评分和推理参数五个方面。