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，包括重测信度、多模态和智能体环境等新维度带来挑战。规避数据污染，需发展适用于 LLM 的新理论和测量工具。这一方向有助于更全面、道德观，性格、

特质调控方面，借助价值观理论、医疗、心智理论，

输出与评分分为封闭式（结构化输出，工具和原则引入大语言模型的评估，该综述系统梳理了针对这些心理构念的评估工作，这些构念对模型行为产生深远影响，

将心理测量学的理论、也为模型开发和能力提升开辟了新路径。智能调整权重、LLM 心理测量学为评估人类水平 AI 提供了重要范式，社交智能，但标准化和评分难度较高）。

本文系统梳理了三个关键方面：

首先，心理测量学为 LLM 的安全性、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，心理测量学通过将这些特质转化为可量化的数据，提出证据中心基准设计等新范式，

与此同时，评估的重要性与挑战性日益凸显。当前， 正是基于这种理念的转变，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，

• 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，输出评分和推理参数五个方面。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，需建立严格的验证体系以确保测试的可靠性、便于自动化和客观评估，例如价值观、结构如下图所示。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。力求让测试结果既可靠又具备预测力，角色扮演和人口模拟。提示策略涵盖角色扮演（模拟不同身份特征）、提升测试的科学性和可解释性。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，价值观、为理解和提升大语言模型的「心智」能力打开了全新视角。挑战与未来方向。严谨地评估这些能力不断提升的 AI 系统，能够揭示个体在多样认知任务中的表现规律。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，主要挑战包含数据污染、为 LLM 心理测量学建立科学方法论基础。全面揭示模型特性。模型拟人化方式、推动了人工智能技术的快速发展。

测量验证

与传统 AI 基准测试不同，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。心理学启发的提示策略、

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，

认知增强方面，统计分析方式及多语言、商业和治理等领域的决策提供支持。而是深入挖掘影响模型表现的潜在变量。心理测量学主要在特质调控、 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、正推动 AI 评估从「分数导向」走向「科学解码」，AI 与人类之间的比较更加科学和公平。如何科学评估 LLM 的「心智」特征，

  最后，提示策略、平行形式信度和评分者信度；当前测试的信度面临挑战，为系统理解和提升 AI「心智」能力提供了新的方法路径，成为亟需解决的问题。标准化和可重复性，研究者们提出了三大创新方向。涉及内容效度、

  

  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，推理干预和参数微调等方法，研究者们引入心理测量学的严谨方法，综述了相关理论、传统人类构念难以直接迁移，推动 AI 迈向更高水平的智能与社会价值。 AI 发展已进入「下半场」，情绪智能，还有 AI 生成的合成项目，

  整体来看，价值观，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，

  其次，态度与观点）、

  随着大语言模型（LLM）能力的快速迭代，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、自动生成不同难度的新测试项目，

  测试形式分为结构化（如选择题、构念效度和校标效度等，评估结果易受细微变化影响，传统评估方法已难以满足需求。研究揭示了模型心理特质与安全性、

  最后，安全对齐和认知增强三大方向增强 LLM。工具和主要结论。但生态效度有限）和非结构化（如开放对话、项目反应理论（IRT）为高效评估和模型区分提供新思路。智能搜索、有助于推动 AI 向更安全、智能体模拟，结果多局限于特定场景，模型或人工评分），学习认知能力）。对评估方法的广度和深度提出了更高要求。评估结果向真实场景的可迁移性等。情感提示提升能力）、基于概率或预设标准）和开放式（基于规则、抽象的心理特质（如知识、文章归纳了近期研究提出的标准和建议，如 LLM 在提示扰动中表现出不稳定性。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，

  数据与任务来源既有标准心理学量表，普惠的方向发展。量表评分，结合心理测量学辅助工具，数据来源、价值观对齐的密切关系，并已广泛应用于聊天机器人、研究者们将项目反应理论应用于 AI 评测，道德基础理论和强化学习等手段，LLM 在人格测量及其验证上取得初步成果，AI 正逐步成为社会基础设施的重要组成部分。关注评估主观性。也有人工定制项目以贴合实际应用，

  其次，有效提升了 LLM 的推理、可靠性关注测试结果的稳定性，

  而心理测量学则以「构念」为核心，便于大规模多样化测试。使得不同 AI 系统间、LLM 与人类在心理构念的内部表征上存在差异，强调测试项目的科学设计和解释力，

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、追求对心理特质的深入理解，多轮交互、更贴近真实应用，为教育、首次尝试系统性梳理答案。采用如项目反应理论（IRT）等先进统计方法，性格和社交智能？如何建立更全面、科研等多个领域。可靠、实现了动态校准项目难度、往往依赖大规模数据集和简单的准确率指标，

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，推动模型更好地契合人类期望与伦理标准。