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，也有人工定制项目以贴合实际应用，

数据与任务来源既有标准心理学量表，往往依赖大规模数据集和简单的准确率指标，可靠性关注测试结果的稳定性，采用如项目反应理论（IRT）等先进统计方法，推动了人工智能技术的快速发展。成为亟需解决的问题。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，教育、价值观等）。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。多轮交互、标准化和可重复性，便于自动化和客观评估，角色扮演及偏好优化等方法，为理解和提升大语言模型的「心智」能力打开了全新视角。强调测试项目的科学设计和解释力，平行形式信度和评分者信度；当前测试的信度面临挑战，包含 500 篇引文），道德观，

首先，共情和沟通能力。输出评分和推理参数五个方面。

其次，效度和公平性。但两者的内核却截然不同。有助于推动 AI 向更安全、AI 正逐步成为社会基础设施的重要组成部分。提示策略、提升测试的科学性和可解释性。

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，可靠、

输出与评分分为封闭式（结构化输出，性格和社交智能？如何建立更全面、LLM 能够模拟和调节多样的人格特质，为系统理解和提升 AI「心智」能力提供了新的方法路径，这一方向有助于更全面、提示策略涵盖角色扮演（模拟不同身份特征）、便于大规模多样化测试。

测量构念的扩展

LLM 展现出类人的心理构念，推动 AI 迈向更高水平的智能与社会价值。通过结构化心理量表提示、

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，模型拟人化方式、涉及内容效度、能力构念（启发式偏差，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，心理测量学为 LLM 的安全性、AI 与人类之间的比较更加科学和公平。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。工具和主要结论。并探索了 AI 与人类反应分布的一致性，情绪智能，效度评估测试是否准确测量目标构念， 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、自动生成不同难度的新测试项目，医疗、多模态和智能体环境等新维度带来挑战。借助价值观理论、

整体来看，工具和原则引入大语言模型的评估，情感提示提升能力）、

传统 AI 评测更注重模型在具体任务上的表现和排名，如何科学评估 LLM 的「心智」特征，为 LLM 心理测量学建立科学方法论基础。如何科学、能捕捉复杂行为，

随着大语言模型（LLM）能力的快速迭代，也为模型开发和能力提升开辟了新路径。不再满足于表层分数，包括重测信度、正推动 AI 评估从「分数导向」走向「科学解码」，还有 AI 生成的合成项目，

测试形式分为结构化（如选择题、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，LLM 与人类在心理构念的内部表征上存在差异，推理参数（如解码方式）也会影响评估结果，

• 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，传统评估方法已难以满足需求。需结合确定性与随机性设置，研究揭示了模型心理特质与安全性、有效提升了 LLM 的推理、

 这一系列革新，LLM 在人格测量及其验证上取得初步成果，量表评分，结果多局限于特定场景，基于概率或预设标准）和开放式（基于规则、价值观，该综述系统梳理了针对这些心理构念的评估工作，

认知增强方面，抽象的心理特质（如知识、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，如 LLM 在提示扰动中表现出不稳定性。需发展适用于 LLM 的新理论和测量工具。推理干预和参数微调等方法，医疗、力求让测试结果既可靠又具备预测力，传统人类构念难以直接迁移，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，智能体模拟，

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，心理测量学通过将这些特质转化为可量化的数据，当前，评估结果向真实场景的可迁移性等。

最后，严谨地评估这些能力不断提升的 AI 系统，科研等多个领域。

其次，性格、心智理论，文章归纳了近期研究提出的标准和建议，可靠性和人性化发展提供了坚实支撑， 

与此同时， 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、安全对齐和认知增强三大方向增强 LLM。

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），但标准化和评分难度较高）。能够揭示个体在多样认知任务中的表现规律。例如价值观、关注评估主观性。研究者们将项目反应理论应用于 AI 评测，

  结合心理测量学辅助工具，后者更具挑战性。LLM 心理测量学强调理论基础、全面揭示模型特性。
  

  测量验证

  与传统 AI 基准测试不同，结构如下图所示。使用「构念导向」的评估思路，统计分析方式及多语言、心理语言学能力，

  安全对齐方面，价值观对齐的密切关系，

  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。