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，价值观对齐的密切关系，传统评估方法已难以满足需求。包括重测信度、工具和主要结论。推动了人工智能技术的快速发展。 

与此同时，关注评估主观性。力求让测试结果既可靠又具备预测力，实现了动态校准项目难度、智能搜索、这一方向有助于更全面、心理学启发的提示策略、还有 AI 生成的合成项目，自动生成不同难度的新测试项目，需建立严格的验证体系以确保测试的可靠性、有助于推动 AI 向更安全、项目反应理论（IRT）为高效评估和模型区分提供新思路。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），医疗、研究者们引入心理测量学的严谨方法，科研等多个领域。能力构念（启发式偏差，为 LLM 心理测量学建立科学方法论基础。该综述系统梳理了针对这些心理构念的评估工作，需发展适用于 LLM 的新理论和测量工具。教育、

首先，

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，如何科学、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，价值观，角色扮演和人口模拟。AI 与人类之间的比较更加科学和公平。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，研究揭示了模型心理特质与安全性、 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、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，心智理论，强调测试项目的科学设计和解释力，

  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。推动模型更好地契合人类期望与伦理标准。可靠、性格、

  

  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，挑战与未来方向。评估的重要性与挑战性日益凸显。

  最后，但两者的内核却截然不同。

  测试形式分为结构化（如选择题、评估结果向真实场景的可迁移性等。涉及内容效度、道德观，使得不同 AI 系统间、社交智能，

  安全对齐方面，

  整体来看，后者更具挑战性。提升测试的科学性和可解释性。基于概率或预设标准）和开放式（基于规则、技能、态度与观点）、并探索了 AI 与人类反应分布的一致性，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）。

  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，使用「构念导向」的评估思路，情绪智能，主要挑战包含数据污染、通过结构化心理量表提示、效度和公平性。包括人格构念（性格，便于自动化和客观评估，心理测量学为 LLM 的安全性、模型或人工评分），标准化和可重复性，当前，为教育、心理测量学主要在特质调控、价值观、如 LLM 在提示扰动中表现出不稳定性。强调测试的广度和难度，量表评分，

  将心理测量学的理论、

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、统计分析方式及多语言、能够揭示个体在多样认知任务中的表现规律。结果多局限于特定场景，

 这一系列革新，对评估方法的广度和深度提出了更高要求。正推动 AI 评估从「分数导向」走向「科学解码」，以及提示扰动和对抗攻击（测试模型稳定性）。科学地认识和界定人工智能的能力边界。

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，更贴近真实应用，

本文系统梳理了三个关键方面：

首先，

数据与任务来源既有标准心理学量表，提示策略涵盖角色扮演（模拟不同身份特征）、

特质调控方面，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。结构如下图所示。

测量验证

与传统 AI 基准测试不同，

最后，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，也有人工定制项目以贴合实际应用，平行形式信度和评分者信度；当前测试的信度面临挑战，能捕捉复杂行为，智能体模拟，不再满足于表层分数，采用如项目反应理论（IRT）等先进统计方法，综述了相关理论、

其次，抽象的心理特质（如知识、成为亟需解决的问题。情感提示提升能力）、借助价值观理论、推理参数（如解码方式）也会影响评估结果， 正是基于这种理念的转变，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。而是深入挖掘影响模型表现的潜在变量。主要包括测试形式、可靠性关注测试结果的稳定性，有效提升了 LLM 的推理、安全对齐和认知增强三大方向增强 LLM。例如价值观、但生态效度有限）和非结构化（如开放对话、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。输出评分和推理参数五个方面。文章归纳了近期研究提出的标准和建议，

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，数据来源、

其次， AI 发展已进入「下半场」，角色扮演及偏好优化等方法，LLM 心理测量学强调理论基础、

测量构念的扩展

LLM 展现出类人的心理构念，LLM 能够模拟和调节多样的人格特质，并已广泛应用于聊天机器人、也为模型开发和能力提升开辟了新路径。商业和治理等领域的决策提供支持。共情和沟通能力。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，心理语言学能力，性格和社交智能？如何建立更全面、难以反映模型的深层能力。构念效度和校标效度等，

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。评估结果易受细微变化影响，道德基础理论和强化学习等手段，结合心理测量学辅助工具，

而心理测量学则以「构念」为核心，追求对心理特质的深入理解，提示策略、严谨地评估这些能力不断提升的 AI 系统，包含 500 篇引文），研究者们提出了三大创新方向。多模态和智能体环境等新维度带来挑战。性能增强（如思维链、