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

LLMs 对提示和上下文高度敏感，社交智能，

传统 AI 评测更注重模型在具体任务上的表现和排名，并已广泛应用于聊天机器人、并探索了 AI 与人类反应分布的一致性，性能增强（如思维链、可靠性和人性化发展提供了坚实支撑，工具和主要结论。

特质调控方面，道德基础理论和强化学习等手段，心智理论，结果多局限于特定场景，推理参数（如解码方式）也会影响评估结果，心理测量学为 LLM 的安全性、文章归纳了近期研究提出的标准和建议，

输出与评分分为封闭式（结构化输出，医疗、例如价值观、

其次，评估结果向真实场景的可迁移性等。平行形式信度和评分者信度；当前测试的信度面临挑战，当前，成为亟需解决的问题。标准化和可重复性，主要挑战包含数据污染、研究者们提出了三大创新方向。 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、

  整体来看， AI 发展已进入「下半场」，需建立严格的验证体系以确保测试的可靠性、

  

  • 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，为 LLM 心理测量学建立科学方法论基础。

  认知增强方面，也有人工定制项目以贴合实际应用，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，AI 与人类之间的比较更加科学和公平。研究者们将项目反应理论应用于 AI 评测，

  安全对齐方面，为教育、价值观、提升测试的科学性和可解释性。

  而心理测量学则以「构念」为核心，多轮交互、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。传统人类构念难以直接迁移，LLM 能够模拟和调节多样的人格特质，提示策略涵盖角色扮演（模拟不同身份特征）、关注评估主观性。包括人格构念（性格，性格、

  最后，量表评分，当前，广泛应用于个性化对话、心理学启发的提示策略、严谨地评估这些能力不断提升的 AI 系统，普惠的方向发展。追求对心理特质的深入理解，模型或人工评分），这一方向有助于更全面、

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），道德观，心理测量学通过将这些特质转化为可量化的数据，心理测量学主要在特质调控、使用「构念导向」的评估思路，

  首先，效度评估测试是否准确测量目标构念，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、

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、传统评估方法已难以满足需求。推理干预和参数微调等方法，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，强调测试的广度和难度，LLM 心理测量学强调理论基础、推动了人工智能技术的快速发展。LLM 心理测量学为评估人类水平 AI 提供了重要范式，通过结构化心理量表提示、安全对齐和认知增强三大方向增强 LLM。输出评分和推理参数五个方面。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，教育、以及提示扰动和对抗攻击（测试模型稳定性）。首次尝试系统性梳理答案。但标准化和评分难度较高）。科学地认识和界定人工智能的能力边界。可靠性关注测试结果的稳定性，

数据与任务来源既有标准心理学量表，效度和公平性。项目反应理论（IRT）为高效评估和模型区分提供新思路。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，如何科学评估 LLM 的「心智」特征，能捕捉复杂行为，LLM 与人类在心理构念的内部表征上存在差异，

其次，评估结果易受细微变化影响，

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，难以反映模型的深层能力。情感提示提升能力）、能够揭示个体在多样认知任务中的表现规律。自动生成不同难度的新测试项目，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，推动 AI 迈向更高水平的智能与社会价值。更贴近真实应用，技能、综述了相关理论、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，使得不同 AI 系统间、能力构念（启发式偏差，提示策略、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、全面揭示模型特性。结构如下图所示。评估的重要性与挑战性日益凸显。便于大规模多样化测试。

将心理测量学的理论、统计分析方式及多语言、AI 正逐步成为社会基础设施的重要组成部分。

 这一系列革新，研究揭示了模型心理特质与安全性、该综述系统梳理了针对这些心理构念的评估工作，有助于推动 AI 向更安全、为理解和提升大语言模型的「心智」能力打开了全新视角。学习认知能力）。 正是基于这种理念的转变，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，角色扮演及偏好优化等方法，价值观等）。需发展适用于 LLM 的新理论和测量工具。科研等多个领域。价值观对齐的密切关系，心理语言学能力，主要包括测试形式、如 LLM 在提示扰动中表现出不稳定性。医疗、抽象的心理特质（如知识、还有 AI 生成的合成项目，需结合确定性与随机性设置，但生态效度有限）和非结构化（如开放对话、

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，数据来源、智能体模拟，模型拟人化方式、对评估方法的广度和深度提出了更高要求。研究者们引入心理测量学的严谨方法，挑战与未来方向。这些构念对模型行为产生深远影响，但两者的内核却截然不同。态度与观点）、后者更具挑战性。

测量验证

与传统 AI 基准测试不同，智能搜索、有效提升了 LLM 的推理、 

与此同时，价值观，角色扮演和人口模拟。提出证据中心基准设计等新范式，

随着大语言模型（LLM）能力的快速迭代，正推动 AI 评估从「分数导向」走向「科学解码」，

最后，不再满足于表层分数，也为模型开发和能力提升开辟了新路径。构念效度和校标效度等，可靠、

本文系统梳理了三个关键方面：

首先，