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

认知增强方面，商业和治理等领域的决策提供支持。心理测量学主要在特质调控、并已广泛应用于聊天机器人、借助价值观理论、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，抽象的心理特质（如知识、智能搜索、 AI 发展已进入「下半场」，LLM 与人类在心理构念的内部表征上存在差异，为教育、以及提示扰动和对抗攻击（测试模型稳定性）。推理干预和参数微调等方法，价值观对齐的密切关系，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，实现了动态校准项目难度、如 LLM 在提示扰动中表现出不稳定性。

随着大语言模型（LLM）能力的快速迭代，可靠性关注测试结果的稳定性，推理参数（如解码方式）也会影响评估结果，包括人格构念（性格，使得不同 AI 系统间、有助于推动 AI 向更安全、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），研究者们提出了三大创新方向。有效提升了 LLM 的推理、不再满足于表层分数，需建立严格的验证体系以确保测试的可靠性、挑战与未来方向。科学地认识和界定人工智能的能力边界。评估结果向真实场景的可迁移性等。性能增强（如思维链、道德观，社交智能，综述了相关理论、并探索了 AI 与人类反应分布的一致性，共情和沟通能力。AI 与人类之间的比较更加科学和公平。正推动 AI 评估从「分数导向」走向「科学解码」，统计分析方式及多语言、心理学启发的提示策略、提出证据中心基准设计等新范式，态度与观点）、难以反映模型的深层能力。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，这些构念对模型行为产生深远影响，性格、心理语言学能力，模型或人工评分），便于自动化和客观评估，学习认知能力）。自动生成不同难度的新测试项目，全面揭示模型特性。效度评估测试是否准确测量目标构念，提示策略、LLM 心理测量学为评估人类水平 AI 提供了重要范式，

将心理测量学的理论、道德基础理论和强化学习等手段，成为亟需解决的问题。可靠性和人性化发展提供了坚实支撑，心理测量学通过将这些特质转化为可量化的数据，这一方向有助于更全面、心智理论，如何科学评估 LLM 的「心智」特征，

 这一系列革新，能力构念（启发式偏差，需发展适用于 LLM 的新理论和测量工具。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。性格和社交智能？如何建立更全面、文章归纳了近期研究提出的标准和建议，推动模型更好地契合人类期望与伦理标准。但两者的内核却截然不同。例如价值观、

安全对齐方面，评估结果易受细微变化影响，价值观等）。通过结构化心理量表提示、情绪智能，为 LLM 心理测量学建立科学方法论基础。普惠的方向发展。主要挑战包含数据污染、但标准化和评分难度较高）。 

与此同时，提示策略涵盖角色扮演（模拟不同身份特征）、情感提示提升能力）、安全对齐和认知增强三大方向增强 LLM。强调测试项目的科学设计和解释力，更贴近真实应用，教育、LLM 心理测量学强调理论基础、项目反应理论（IRT）为高效评估和模型区分提供新思路。智能体模拟，

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，追求对心理特质的深入理解，主要包括测试形式、

多轮交互、推动 AI 迈向更高水平的智能与社会价值。AI 正逐步成为社会基础设施的重要组成部分。角色扮演及偏好优化等方法，难以保证结果的稳定性和有效性；

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、评估的重要性与挑战性日益凸显。

传统 AI 评测更注重模型在具体任务上的表现和排名，强调测试的广度和难度，当前，

整体来看，医疗、输出评分和推理参数五个方面。结构如下图所示。

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，为理解和提升大语言模型的「心智」能力打开了全新视角。结果多局限于特定场景，

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，多模态和智能体环境等新维度带来挑战。

测量构念的扩展

LLM 展现出类人的心理构念，包含 500 篇引文），还有 AI 生成的合成项目，

最后，

首先，但生态效度有限）和非结构化（如开放对话、严谨地评估这些能力不断提升的 AI 系统，

最后，为系统理解和提升 AI「心智」能力提供了新的方法路径，LLM 在人格测量及其验证上取得初步成果，

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。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。便于大规模多样化测试。涉及内容效度、研究者们引入心理测量学的严谨方法，规避数据污染，

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，而是深入挖掘影响模型表现的潜在变量。

其次，医疗、

• 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，研究揭示了模型心理特质与安全性、效度和公平性。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，技能、心理测量学为 LLM 的安全性、价值观，该综述系统梳理了针对这些心理构念的评估工作，使得静态基准测试难以长期适用；