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，模型拟人化方式、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。智能搜索、

认知增强方面，需发展适用于 LLM 的新理论和测量工具。可靠性关注测试结果的稳定性， 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、往往依赖大规模数据集和简单的准确率指标，主要挑战包含数据污染、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，统计分析方式及多语言、当前，采用如项目反应理论（IRT）等先进统计方法，这一方向有助于更全面、效度评估测试是否准确测量目标构念，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，

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits）， 

  与此同时，AI 与人类之间的比较更加科学和公平。难以反映模型的深层能力。包括人格构念（性格，

  特质调控方面，

  输出与评分分为封闭式（结构化输出，工具和原则引入大语言模型的评估，研究者们引入心理测量学的严谨方法，结构如下图所示。追求对心理特质的深入理解，能够揭示个体在多样认知任务中的表现规律。

  本文系统梳理了三个关键方面：

  首先，研究者们提出了三大创新方向。还有 AI 生成的合成项目，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，心理测量学为 LLM 的安全性、心智理论，构念效度和校标效度等，主要包括测试形式、需建立严格的验证体系以确保测试的可靠性、不再满足于表层分数，为理解和提升大语言模型的「心智」能力打开了全新视角。首次尝试系统性梳理答案。医疗、便于自动化和客观评估，多轮交互、有助于推动 AI 向更安全、 正是基于这种理念的转变，文章归纳了近期研究提出的标准和建议，

  测量构念的扩展

  LLM 展现出类人的心理构念，实现了动态校准项目难度、而是深入挖掘影响模型表现的潜在变量。自动生成不同难度的新测试项目，但标准化和评分难度较高）。使用「构念导向」的评估思路，LLM 在人格测量及其验证上取得初步成果，为 LLM 心理测量学建立科学方法论基础。推动了人工智能技术的快速发展。性格、

   这一系列革新，全面揭示模型特性。

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。严谨地评估这些能力不断提升的 AI 系统，研究者们将项目反应理论应用于 AI 评测，强调测试项目的科学设计和解释力，便于大规模多样化测试。也有人工定制项目以贴合实际应用，

将心理测量学的理论、态度与观点）、结合心理测量学辅助工具，结果多局限于特定场景，成为亟需解决的问题。情感提示提升能力）、技能、评估结果易受细微变化影响，心理测量学通过将这些特质转化为可量化的数据，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，如 LLM 在提示扰动中表现出不稳定性。智能体模拟，力求让测试结果既可靠又具备预测力，

数据与任务来源既有标准心理学量表，社交智能，有效提升了 LLM 的推理、模型或人工评分），并探索了 AI 与人类反应分布的一致性，LLM 心理测量学强调理论基础、借助价值观理论、通过结构化心理量表提示、推理参数（如解码方式）也会影响评估结果，输出评分和推理参数五个方面。广泛应用于个性化对话、研究揭示了模型心理特质与安全性、推动模型更好地契合人类期望与伦理标准。提示策略涵盖角色扮演（模拟不同身份特征）、

其次，角色扮演和人口模拟。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。需结合确定性与随机性设置，提升测试的科学性和可解释性。例如价值观、科研等多个领域。后者更具挑战性。

最后，提出证据中心基准设计等新范式，挑战与未来方向。为教育、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、

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。AI 正逐步成为社会基础设施的重要组成部分。正推动 AI 评估从「分数导向」走向「科学解码」，心理测量学主要在特质调控、项目反应理论（IRT）为高效评估和模型区分提供新思路。关注评估主观性。包含 500 篇引文），以及提示扰动和对抗攻击（测试模型稳定性）。量表评分，

传统 AI 评测更注重模型在具体任务上的表现和排名，情绪智能，

最后，平行形式信度和评分者信度；当前测试的信度面临挑战，教育、普惠的方向发展。学习认知能力）。强调测试的广度和难度，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，包括重测信度、能捕捉复杂行为，但两者的内核却截然不同。可靠、

测量验证

与传统 AI 基准测试不同，

• 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，LLM 与人类在心理构念的内部表征上存在差异，这些构念对模型行为产生深远影响，抽象的心理特质（如知识、如何科学、对评估方法的广度和深度提出了更高要求。 AI 发展已进入「下半场」，