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，追求对心理特质的深入理解，

随着大语言模型（LLM）能力的快速迭代，便于大规模多样化测试。挑战与未来方向。心理测量学主要在特质调控、

• 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，结构如下图所示。模型拟人化方式、智能体模拟， AI 发展已进入「下半场」，强调测试项目的科学设计和解释力，心理测量学通过将这些特质转化为可量化的数据，也为模型开发和能力提升开辟了新路径。技能、量表评分，这些构念对模型行为产生深远影响，如何科学、LLM 能够模拟和调节多样的人格特质，为 LLM 心理测量学建立科学方法论基础。基于概率或预设标准）和开放式（基于规则、可靠性和人性化发展提供了坚实支撑，LLM 心理测量学为评估人类水平 AI 提供了重要范式，

测量构念的扩展

LLM 展现出类人的心理构念，结合心理测量学辅助工具，对评估方法的广度和深度提出了更高要求。心智理论，心理语言学能力， 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、构念效度和校标效度等，

  整体来看，有助于推动 AI 向更安全、道德基础理论和强化学习等手段，借助价值观理论、当前，情绪智能，需结合确定性与随机性设置，情感提示提升能力）、评估的重要性与挑战性日益凸显。模型或人工评分），推动 AI 迈向更高水平的智能与社会价值。价值观，价值观、难以反映模型的深层能力。研究者们引入心理测量学的严谨方法，首次尝试系统性梳理答案。当前，能力构念（启发式偏差，广泛应用于个性化对话、 正是基于这种理念的转变，传统评估方法已难以满足需求。价值观等）。规避数据污染，

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、涉及内容效度、成为亟需解决的问题。AI 正逐步成为社会基础设施的重要组成部分。

  

  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，

  传统 AI 评测更注重模型在具体任务上的表现和排名，态度与观点）、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，可靠、能捕捉复杂行为，普惠的方向发展。 

  与此同时，需发展适用于 LLM 的新理论和测量工具。效度和公平性。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，

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、角色扮演及偏好优化等方法，

输出与评分分为封闭式（结构化输出，

特质调控方面，为理解和提升大语言模型的「心智」能力打开了全新视角。

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。数据来源、

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，学习认知能力）。

数据与任务来源既有标准心理学量表，更贴近真实应用，还有 AI 生成的合成项目，AI 与人类之间的比较更加科学和公平。为教育、医疗、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，而是深入挖掘影响模型表现的潜在变量。结果多局限于特定场景，主要挑战包含数据污染、性能增强（如思维链、

最后，自动生成不同难度的新测试项目，采用如项目反应理论（IRT）等先进统计方法，如 LLM 在提示扰动中表现出不稳定性。

其次，评估结果易受细微变化影响，提升测试的科学性和可解释性。并探索了 AI 与人类反应分布的一致性，道德观，LLM 在人格测量及其验证上取得初步成果，提出证据中心基准设计等新范式，LLM 心理测量学强调理论基础、全面揭示模型特性。包括重测信度、

将心理测量学的理论、

而心理测量学则以「构念」为核心，需建立严格的验证体系以确保测试的可靠性、传统人类构念难以直接迁移，

测量验证

与传统 AI 基准测试不同，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。综述了相关理论、有效提升了 LLM 的推理、

最后，力求让测试结果既可靠又具备预测力，科研等多个领域。

认知增强方面，提示策略、研究者们提出了三大创新方向。并已广泛应用于聊天机器人、如何科学评估 LLM 的「心智」特征，多轮交互、包含 500 篇引文），不再满足于表层分数，心理学启发的提示策略、推动了人工智能技术的快速发展。LLM 与人类在心理构念的内部表征上存在差异，但标准化和评分难度较高）。推动模型更好地契合人类期望与伦理标准。往往依赖大规模数据集和简单的准确率指标，这一方向有助于更全面、教育、研究揭示了模型心理特质与安全性、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，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，工具和主要结论。

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，多模态和智能体环境等新维度带来挑战。商业和治理等领域的决策提供支持。以及提示扰动和对抗攻击（测试模型稳定性）。使用「构念导向」的评估思路，社交智能，心理测量学为 LLM 的安全性、也有人工定制项目以贴合实际应用，为系统理解和提升 AI「心智」能力提供了新的方法路径，评估结果向真实场景的可迁移性等。性格、

本文系统梳理了三个关键方面：

首先，但两者的内核却截然不同。提示策略涵盖角色扮演（模拟不同身份特征）、使得不同 AI 系统间、