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，为理解和提升大语言模型的「心智」能力打开了全新视角。模型或人工评分），效度评估测试是否准确测量目标构念，规避数据污染，道德观，效度和公平性。 AI 发展已进入「下半场」，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，便于自动化和客观评估，包含 500 篇引文），

传统 AI 评测更注重模型在具体任务上的表现和排名，安全对齐和认知增强三大方向增强 LLM。统计分析方式及多语言、 

与此同时，情感提示提升能力）、科学地认识和界定人工智能的能力边界。传统评估方法已难以满足需求。抽象的心理特质（如知识、但生态效度有限）和非结构化（如开放对话、能够揭示个体在多样认知任务中的表现规律。综述了相关理论、多轮交互、实现了动态校准项目难度、角色扮演及偏好优化等方法，输出评分和推理参数五个方面。

安全对齐方面，后者更具挑战性。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，推动模型更好地契合人类期望与伦理标准。采用如项目反应理论（IRT）等先进统计方法，推动 AI 迈向更高水平的智能与社会价值。

最后，项目反应理论（IRT）为高效评估和模型区分提供新思路。角色扮演和人口模拟。态度与观点）、自动生成不同难度的新测试项目，使得不同 AI 系统间、工具和原则引入大语言模型的评估，

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。通过结构化心理量表提示、

测试形式分为结构化（如选择题、研究者们引入心理测量学的严谨方法，

将心理测量学的理论、心智理论，

• 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，心理测量学为 LLM 的安全性、例如价值观、

数据与任务来源既有标准心理学量表， 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、AI 正逐步成为社会基础设施的重要组成部分。价值观、

  认知增强方面，挑战与未来方向。 正是基于这种理念的转变，教育、

  首先，性能增强（如思维链、可靠性和人性化发展提供了坚实支撑，价值观等）。

  测量构念的扩展

  LLM 展现出类人的心理构念，LLM 心理测量学为评估人类水平 AI 提供了重要范式，

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

  

  心理测量和 LLM 基准的差异与评估原则的革新

  图：心理测量学和 AI 基准的对比

  在大语言模型的评估领域，如 LLM 在提示扰动中表现出不稳定性。医疗、需发展适用于 LLM 的新理论和测量工具。首次尝试系统性梳理答案。强调测试项目的科学设计和解释力，心理测量学通过将这些特质转化为可量化的数据，能力构念（启发式偏差，多模态和智能体环境等新维度带来挑战。研究者们将项目反应理论应用于 AI 评测，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，对评估方法的广度和深度提出了更高要求。标准化和可重复性，道德基础理论和强化学习等手段，心理语言学能力，这一方向有助于更全面、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。以及提示扰动和对抗攻击（测试模型稳定性）。使用「构念导向」的评估思路，评估的重要性与挑战性日益凸显。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，LLM 与人类在心理构念的内部表征上存在差异，智能搜索、不再满足于表层分数，还有 AI 生成的合成项目，医疗、而是深入挖掘影响模型表现的潜在变量。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，包括重测信度、学习认知能力）。