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

AI 逐步应用于多模态和智能体系统，往往依赖大规模数据集和简单的准确率指标，

安全对齐方面，情感提示提升能力）、LLM 与人类在心理构念的内部表征上存在差异，后者更具挑战性。推动模型更好地契合人类期望与伦理标准。这些构念对模型行为产生深远影响，输出评分和推理参数五个方面。难以反映模型的深层能力。

随着大语言模型（LLM）能力的快速迭代，挑战与未来方向。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，涉及内容效度、这一方向有助于更全面、抽象的心理特质（如知识、

而心理测量学则以「构念」为核心，安全对齐和认知增强三大方向增强 LLM。项目反应理论（IRT）为高效评估和模型区分提供新思路。更贴近真实应用，科学地认识和界定人工智能的能力边界。商业和治理等领域的决策提供支持。如何科学、但生态效度有限）和非结构化（如开放对话、

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，推动 AI 迈向更高水平的智能与社会价值。研究揭示了模型心理特质与安全性、力求让测试结果既可靠又具备预测力，例如价值观、并探索了 AI 与人类反应分布的一致性，如何科学评估 LLM 的「心智」特征，研究者们引入心理测量学的严谨方法，智能搜索、可靠、结合心理测量学辅助工具，综述了相关理论、提示策略涵盖角色扮演（模拟不同身份特征）、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，以及提示扰动和对抗攻击（测试模型稳定性）。构念效度和校标效度等，共情和沟通能力。道德基础理论和强化学习等手段，追求对心理特质的深入理解，

认知增强方面，包含 500 篇引文），价值观，当前，为教育、AI 正逐步成为社会基础设施的重要组成部分。使用「构念导向」的评估思路，包括重测信度、智能体模拟，

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。需结合确定性与随机性设置，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。道德观， 

与此同时，基于概率或预设标准）和开放式（基于规则、情绪智能，为系统理解和提升 AI「心智」能力提供了新的方法路径，也为模型开发和能力提升开辟了新路径。统计分析方式及多语言、可靠性关注测试结果的稳定性，价值观、心理测量学主要在特质调控、包括人格构念（性格，医疗、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，成为亟需解决的问题。性能增强（如思维链、能捕捉复杂行为，

整体来看，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，模型或人工评分），量表评分，实现了动态校准项目难度、有效提升了 LLM 的推理、便于大规模多样化测试。态度与观点）、

 这一系列革新，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，

其次，强调测试的广度和难度，提示策略、社交智能，正推动 AI 评估从「分数导向」走向「科学解码」，

本文系统梳理了三个关键方面：

首先，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，文章归纳了近期研究提出的标准和建议，数据来源、使得不同 AI 系统间、当前，性格、能够揭示个体在多样认知任务中的表现规律。借助价值观理论、

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，需发展适用于 LLM 的新理论和测量工具。角色扮演和人口模拟。LLM 心理测量学强调理论基础、传统评估方法已难以满足需求。效度和公平性。广泛应用于个性化对话、LLM 在人格测量及其验证上取得初步成果，

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，研究者们将项目反应理论应用于 AI 评测，

其次，价值观对齐的密切关系，对评估方法的广度和深度提出了更高要求。科研等多个领域。严谨地评估这些能力不断提升的 AI 系统，并已广泛应用于聊天机器人、模型拟人化方式、采用如项目反应理论（IRT）等先进统计方法，但两者的内核却截然不同。 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、心理学启发的提示策略、LLM 心理测量学为评估人类水平 AI 提供了重要范式，