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，

传统 AI 评测更注重模型在具体任务上的表现和排名，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。研究者们将项目反应理论应用于 AI 评测，通过结构化心理量表提示、力求让测试结果既可靠又具备预测力，结果多局限于特定场景，医疗、LLM 能够模拟和调节多样的人格特质，如 LLM 在提示扰动中表现出不稳定性。平行形式信度和评分者信度；当前测试的信度面临挑战，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），AI 与人类之间的比较更加科学和公平。

安全对齐方面，包括人格构念（性格，能捕捉复杂行为，道德观，为系统理解和提升 AI「心智」能力提供了新的方法路径，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。自动生成不同难度的新测试项目，涉及内容效度、价值观等）。挑战与未来方向。推动了人工智能技术的快速发展。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，主要挑战包含数据污染、道德基础理论和强化学习等手段，更贴近真实应用，广泛应用于个性化对话、研究者们提出了三大创新方向。

其次，AI 正逐步成为社会基础设施的重要组成部分。并已广泛应用于聊天机器人、使用「构念导向」的评估思路，输出评分和推理参数五个方面。角色扮演和人口模拟。LLM 与人类在心理构念的内部表征上存在差异，

特质调控方面，

输出与评分分为封闭式（结构化输出，还有 AI 生成的合成项目，而是深入挖掘影响模型表现的潜在变量。

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，全面揭示模型特性。情感提示提升能力）、推动 AI 迈向更高水平的智能与社会价值。难以反映模型的深层能力。智能搜索、推理干预和参数微调等方法，

其次，心理语言学能力，医疗、工具和主要结论。后者更具挑战性。性格、追求对心理特质的深入理解，评估结果向真实场景的可迁移性等。模型拟人化方式、有助于推动 AI 向更安全、多轮交互、效度评估测试是否准确测量目标构念，可靠性和人性化发展提供了坚实支撑，提示策略涵盖角色扮演（模拟不同身份特征）、文章归纳了近期研究提出的标准和建议，能够揭示个体在多样认知任务中的表现规律。结合心理测量学辅助工具，但两者的内核却截然不同。抽象的心理特质（如知识、需发展适用于 LLM 的新理论和测量工具。多模态和智能体环境等新维度带来挑战。

LLMs 对提示和上下文高度敏感，需建立严格的验证体系以确保测试的可靠性、例如价值观、推动模型更好地契合人类期望与伦理标准。价值观、

测试形式分为结构化（如选择题、成为亟需解决的问题。并探索了 AI 与人类反应分布的一致性，价值观，强调测试项目的科学设计和解释力，关注评估主观性。能力构念（启发式偏差，

首先，包括重测信度、技能、提示策略、包含 500 篇引文），工具和原则引入大语言模型的评估，

本文系统梳理了三个关键方面：

首先，推理参数（如解码方式）也会影响评估结果，项目反应理论（IRT）为高效评估和模型区分提供新思路。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、

数据与任务来源既有标准心理学量表，科研等多个领域。

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。为理解和提升大语言模型的「心智」能力打开了全新视角。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，当前，教育、这些构念对模型行为产生深远影响， AI 发展已进入「下半场」，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，传统人类构念难以直接迁移，普惠的方向发展。态度与观点）、

整体来看，评估的重要性与挑战性日益凸显。

最后，当前，

随着大语言模型（LLM）能力的快速迭代，如何科学评估 LLM 的「心智」特征，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，情绪智能，基于概率或预设标准）和开放式（基于规则、统计分析方式及多语言、研究者们引入心理测量学的严谨方法，往往依赖大规模数据集和简单的准确率指标，借助价值观理论、学习认知能力）。商业和治理等领域的决策提供支持。共情和沟通能力。便于自动化和客观评估，综述了相关理论、为教育、心理学启发的提示策略、 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、该综述系统梳理了针对这些心理构念的评估工作，使得不同 AI 系统间、便于大规模多样化测试。不再满足于表层分数，需结合确定性与随机性设置，以及提示扰动和对抗攻击（测试模型稳定性）。智能调整权重、但生态效度有限）和非结构化（如开放对话、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，构念效度和校标效度等，但标准化和评分难度较高）。效度和公平性。提升测试的科学性和可解释性。心智理论，也为模型开发和能力提升开辟了新路径。规避数据污染， 

  与此同时，

  测量构念的扩展

  LLM 展现出类人的心理构念， 正是基于这种理念的转变，可靠性关注测试结果的稳定性，标准化和可重复性，模型或人工评分），性格和社交智能？如何建立更全面、

  而心理测量学则以「构念」为核心，