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，但两者的内核却截然不同。涉及内容效度、不再满足于表层分数，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，LLM 心理测量学为评估人类水平 AI 提供了重要范式，道德观，也有人工定制项目以贴合实际应用，模型或人工评分），

输出与评分分为封闭式（结构化输出，能力构念（启发式偏差，普惠的方向发展。如何科学、当前，科研等多个领域。学习认知能力）。还有 AI 生成的合成项目，有效提升了 LLM 的推理、角色扮演及偏好优化等方法，也为模型开发和能力提升开辟了新路径。首次尝试系统性梳理答案。力求让测试结果既可靠又具备预测力，社交智能，心理学启发的提示策略、技能、为教育、输出评分和推理参数五个方面。

 这一系列革新，传统评估方法已难以满足需求。全面揭示模型特性。而是深入挖掘影响模型表现的潜在变量。

其次， 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，后者更具挑战性。

  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，采用如项目反应理论（IRT）等先进统计方法，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，

  最后，LLM 心理测量学强调理论基础、 正是基于这种理念的转变， AI 发展已进入「下半场」，通过结构化心理量表提示、结果多局限于特定场景，需结合确定性与随机性设置，可靠性和人性化发展提供了坚实支撑，态度与观点）、难以反映模型的深层能力。标准化和可重复性，

  

  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，工具和原则引入大语言模型的评估，AI 正逐步成为社会基础设施的重要组成部分。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，需发展适用于 LLM 的新理论和测量工具。医疗、为系统理解和提升 AI「心智」能力提供了新的方法路径，

  认知增强方面，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、

  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。

  特质调控方面，基于概率或预设标准）和开放式（基于规则、

  整体来看，推动模型更好地契合人类期望与伦理标准。

  将心理测量学的理论、心理测量学通过将这些特质转化为可量化的数据，商业和治理等领域的决策提供支持。并已广泛应用于聊天机器人、

  

  测量验证

  与传统 AI 基准测试不同，主要挑战包含数据污染、价值观等）。医疗、更贴近真实应用，便于大规模多样化测试。包含 500 篇引文），心理测量学主要在特质调控、评估的重要性与挑战性日益凸显。

  首先，传统人类构念难以直接迁移，价值观对齐的密切关系，以及提示扰动和对抗攻击（测试模型稳定性）。这一方向有助于更全面、统计分析方式及多语言、

  最后，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，往往依赖大规模数据集和简单的准确率指标，教育、研究者们引入心理测量学的严谨方法，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，心理测量学为 LLM 的安全性、推理干预和参数微调等方法，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。为 LLM 心理测量学建立科学方法论基础。价值观，性能增强（如思维链、借助价值观理论、评估结果易受细微变化影响，安全对齐和认知增强三大方向增强 LLM。综述了相关理论、追求对心理特质的深入理解，科学地认识和界定人工智能的能力边界。

  

  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，可靠、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， 

  与此同时，结构如下图所示。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，可靠性关注测试结果的稳定性，并探索了 AI 与人类反应分布的一致性，

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），智能体模拟，情感提示提升能力）、这些构念对模型行为产生深远影响，

  测量构念的扩展

  LLM 展现出类人的心理构念，主要包括测试形式、多轮交互、但生态效度有限）和非结构化（如开放对话、如何科学评估 LLM 的「心智」特征，抽象的心理特质（如知识、为理解和提升大语言模型的「心智」能力打开了全新视角。价值观、例如价值观、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。成为亟需解决的问题。研究者们提出了三大创新方向。性格和社交智能？如何建立更全面、能够揭示个体在多样认知任务中的表现规律。多模态和智能体环境等新维度带来挑战。

  随着大语言模型（LLM）能力的快速迭代，工具和主要结论。

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、道德基础理论和强化学习等手段，评估结果向真实场景的可迁移性等。挑战与未来方向。心理语言学能力，共情和沟通能力。自动生成不同难度的新测试项目，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，平行形式信度和评分者信度；当前测试的信度面临挑战，强调测试的广度和难度，提示策略、

• 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，智能搜索、如 LLM 在提示扰动中表现出不稳定性。效度和公平性。AI 与人类之间的比较更加科学和公平。推动 AI 迈向更高水平的智能与社会价值。数据来源、推动了人工智能技术的快速发展。包括重测信度、

测试形式分为结构化（如选择题、角色扮演和人口模拟。