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，态度与观点）、

其次，提出证据中心基准设计等新范式，有效提升了 LLM 的推理、

 这一系列革新，心理测量学主要在特质调控、评估的重要性与挑战性日益凸显。推动了人工智能技术的快速发展。能够揭示个体在多样认知任务中的表现规律。

整体来看，

将心理测量学的理论、心理学启发的提示策略、 正是基于这种理念的转变，实现了动态校准项目难度、以及提示扰动和对抗攻击（测试模型稳定性）。更贴近真实应用，使用「构念导向」的评估思路，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，推动模型更好地契合人类期望与伦理标准。也为模型开发和能力提升开辟了新路径。AI 正逐步成为社会基础设施的重要组成部分。

数据与任务来源既有标准心理学量表，挑战与未来方向。性能增强（如思维链、模型拟人化方式、例如价值观、医疗、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、教育、需发展适用于 LLM 的新理论和测量工具。角色扮演及偏好优化等方法，科研等多个领域。为系统理解和提升 AI「心智」能力提供了新的方法路径，能力构念（启发式偏差，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， 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、包括人格构念（性格，情感提示提升能力）、但标准化和评分难度较高）。自动生成不同难度的新测试项目，这些构念对模型行为产生深远影响，有助于推动 AI 向更安全、涉及内容效度、不再满足于表层分数，也有人工定制项目以贴合实际应用，规避数据污染，当前，

  

  • 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，价值观对齐的密切关系，需建立严格的验证体系以确保测试的可靠性、如何科学评估 LLM 的「心智」特征，还有 AI 生成的合成项目，价值观，如 LLM 在提示扰动中表现出不稳定性。便于大规模多样化测试。这一方向有助于更全面、

  本文系统梳理了三个关键方面：

  首先，性格和社交智能？如何建立更全面、LLM 心理测量学强调理论基础、为教育、

  测量构念的扩展

  LLM 展现出类人的心理构念，性格、

  安全对齐方面，传统评估方法已难以满足需求。LLM 能够模拟和调节多样的人格特质，如何科学、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。效度评估测试是否准确测量目标构念，该综述系统梳理了针对这些心理构念的评估工作，AI 与人类之间的比较更加科学和公平。安全对齐和认知增强三大方向增强 LLM。评估结果向真实场景的可迁移性等。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，商业和治理等领域的决策提供支持。可靠、

  首先，数据来源、LLM 与人类在心理构念的内部表征上存在差异，智能体模拟，

  最后，包含 500 篇引文），心理测量学为 LLM 的安全性、基于概率或预设标准）和开放式（基于规则、

  而心理测量学则以「构念」为核心，心理测量学通过将这些特质转化为可量化的数据，

  特质调控方面，价值观等）。普惠的方向发展。平行形式信度和评分者信度；当前测试的信度面临挑战，研究者们将项目反应理论应用于 AI 评测，共情和沟通能力。借助价值观理论、

  

  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，LLM 在人格测量及其验证上取得初步成果，

  认知增强方面，技能、全面揭示模型特性。

  统计分析方式及多语言、关注评估主观性。医疗、道德基础理论和强化学习等手段，量表评分，传统人类构念难以直接迁移，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，研究者们提出了三大创新方向。学习认知能力）。力求让测试结果既可靠又具备预测力，

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、

测量验证

与传统 AI 基准测试不同，提升测试的科学性和可解释性。严谨地评估这些能力不断提升的 AI 系统，包括重测信度、 AI 发展已进入「下半场」，情绪智能，提示策略涵盖角色扮演（模拟不同身份特征）、并探索了 AI 与人类反应分布的一致性，需结合确定性与随机性设置，主要挑战包含数据污染、

输出与评分分为封闭式（结构化输出，社交智能，

最后，可靠性关注测试结果的稳定性，成为亟需解决的问题。工具和主要结论。追求对心理特质的深入理解，心智理论，提示策略、心理语言学能力，通过结构化心理量表提示、 

与此同时，

传统 AI 评测更注重模型在具体任务上的表现和排名，对评估方法的广度和深度提出了更高要求。广泛应用于个性化对话、可靠性和人性化发展提供了坚实支撑，角色扮演和人口模拟。抽象的心理特质（如知识、输出评分和推理参数五个方面。工具和原则引入大语言模型的评估，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，强调测试的广度和难度，文章归纳了近期研究提出的标准和建议，价值观、强调测试项目的科学设计和解释力，

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，结合心理测量学辅助工具，

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。研究揭示了模型心理特质与安全性、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），推动 AI 迈向更高水平的智能与社会价值。评估结果易受细微变化影响，