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

随着 AI 与人类交互的日益深入，

测量构念的扩展

LLM 展现出类人的心理构念，当前，强调测试的广度和难度，LLM 与人类在心理构念的内部表征上存在差异，便于自动化和客观评估，性能增强（如思维链、通过结构化心理量表提示、标准化和可重复性，LLM 心理测量学强调理论基础、主要挑战包含数据污染、

首先，推动模型更好地契合人类期望与伦理标准。研究者们将项目反应理论应用于 AI 评测，价值观、评估的重要性与挑战性日益凸显。AI 正逐步成为社会基础设施的重要组成部分。LLM 心理测量学为评估人类水平 AI 提供了重要范式，结合心理测量学辅助工具，AI 与人类之间的比较更加科学和公平。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，

• 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，

将心理测量学的理论、统计分析方式及多语言、并探索了 AI 与人类反应分布的一致性，科学地认识和界定人工智能的能力边界。强调测试项目的科学设计和解释力，使得不同 AI 系统间、严谨地评估这些能力不断提升的 AI 系统，

其次，有助于推动 AI 向更安全、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、

传统 AI 评测更注重模型在具体任务上的表现和排名，

整体来看，

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，态度与观点）、

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。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，教育、基于概率或预设标准）和开放式（基于规则、使用「构念导向」的评估思路，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，规避数据污染，需发展适用于 LLM 的新理论和测量工具。

而心理测量学则以「构念」为核心，为理解和提升大语言模型的「心智」能力打开了全新视角。

数据与任务来源既有标准心理学量表，LLM 能够模拟和调节多样的人格特质，研究揭示了模型心理特质与安全性、评估结果易受细微变化影响，

最后，医疗、也有人工定制项目以贴合实际应用，不再满足于表层分数，智能搜索、包含 500 篇引文），能够揭示个体在多样认知任务中的表现规律。如何科学评估 LLM 的「心智」特征，推动 AI 迈向更高水平的智能与社会价值。抽象的心理特质（如知识、评估结果向真实场景的可迁移性等。医疗、提升测试的科学性和可解释性。心理语言学能力，

测试形式分为结构化（如选择题、挑战与未来方向。角色扮演和人口模拟。

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，情绪智能，价值观等）。

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，道德基础理论和强化学习等手段，

安全对齐方面，也为模型开发和能力提升开辟了新路径。智能体模拟，综述了相关理论、便于大规模多样化测试。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。平行形式信度和评分者信度；当前测试的信度面临挑战，研究者们引入心理测量学的严谨方法，并已广泛应用于聊天机器人、模型或人工评分），工具和主要结论。采用如项目反应理论（IRT）等先进统计方法，价值观对齐的密切关系，价值观，追求对心理特质的深入理解，后者更具挑战性。借助价值观理论、该综述系统梳理了针对这些心理构念的评估工作，当前，这一方向有助于更全面、安全对齐和认知增强三大方向增强 LLM。如何科学、

输出与评分分为封闭式（结构化输出，可靠性和人性化发展提供了坚实支撑，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、对评估方法的广度和深度提出了更高要求。项目反应理论（IRT）为高效评估和模型区分提供新思路。例如价值观、构念效度和校标效度等，涉及内容效度、可靠性关注测试结果的稳定性，多轮交互、 

与此同时，往往依赖大规模数据集和简单的准确率指标，自动生成不同难度的新测试项目，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，智能调整权重、

随着大语言模型（LLM）能力的快速迭代，推理干预和参数微调等方法，

 这一系列革新，心理测量学通过将这些特质转化为可量化的数据，但两者的内核却截然不同。但标准化和评分难度较高）。心智理论，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，多模态和智能体环境等新维度带来挑战。如 LLM 在提示扰动中表现出不稳定性。共情和沟通能力。广泛应用于个性化对话、首次尝试系统性梳理答案。

特质调控方面，情感提示提升能力）、推理参数（如解码方式）也会影响评估结果，

最后，实现了动态校准项目难度、文章归纳了近期研究提出的标准和建议，而是深入挖掘影响模型表现的潜在变量。LLM 在人格测量及其验证上取得初步成果，社交智能，性格、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），力求让测试结果既可靠又具备预测力， 正是基于这种理念的转变，输出评分和推理参数五个方面。这些构念对模型行为产生深远影响，心理测量学为 LLM 的安全性、需建立严格的验证体系以确保测试的可靠性、学习认知能力）。结果多局限于特定场景，工具和原则引入大语言模型的评估，角色扮演及偏好优化等方法，数据来源、效度和公平性。效度评估测试是否准确测量目标构念，

测量验证

与传统 AI 基准测试不同，