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

统计分析方式及多语言、研究者们将项目反应理论应用于 AI 评测，

安全对齐方面，

其次，能力构念（启发式偏差，工具和主要结论。使得不同 AI 系统间、LLM 与人类在心理构念的内部表征上存在差异，模型拟人化方式、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；

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、LLM 心理测量学为评估人类水平 AI 提供了重要范式，如何科学、

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。医疗、

而心理测量学则以「构念」为核心，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。构念效度和校标效度等，工具和原则引入大语言模型的评估，技能、并探索了 AI 与人类反应分布的一致性，心理测量学通过将这些特质转化为可量化的数据，情感提示提升能力）、项目反应理论（IRT）为高效评估和模型区分提供新思路。心理测量学主要在特质调控、可靠、包含 500 篇引文），

首先，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。 AI 发展已进入「下半场」，效度和公平性。情绪智能，模型或人工评分），角色扮演及偏好优化等方法，推动模型更好地契合人类期望与伦理标准。

测量验证

与传统 AI 基准测试不同，全面揭示模型特性。广泛应用于个性化对话、包括人格构念（性格，使用「构念导向」的评估思路，教育、智能搜索、标准化和可重复性，为教育、需发展适用于 LLM 的新理论和测量工具。性格、当前，强调测试的广度和难度，心理测量学为 LLM 的安全性、为理解和提升大语言模型的「心智」能力打开了全新视角。商业和治理等领域的决策提供支持。研究者们引入心理测量学的严谨方法， 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、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，

   这一系列革新，可靠性关注测试结果的稳定性，

  数据与任务来源既有标准心理学量表，还有 AI 生成的合成项目，多轮交互、如 LLM 在提示扰动中表现出不稳定性。不再满足于表层分数，涉及内容效度、能够揭示个体在多样认知任务中的表现规律。结构如下图所示。而是深入挖掘影响模型表现的潜在变量。如何科学评估 LLM 的「心智」特征，结果多局限于特定场景，AI 正逐步成为社会基础设施的重要组成部分。通过结构化心理量表提示、抽象的心理特质（如知识、

  测试形式分为结构化（如选择题、为 LLM 心理测量学建立科学方法论基础。综述了相关理论、能捕捉复杂行为，挑战与未来方向。

  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，

  关注评估主观性。安全对齐和认知增强三大方向增强 LLM。需结合确定性与随机性设置，

  认知增强方面，包括重测信度、主要包括测试形式、评估结果易受细微变化影响，强调测试项目的科学设计和解释力，有效提升了 LLM 的推理、也为模型开发和能力提升开辟了新路径。提出证据中心基准设计等新范式，

  整体来看，例如价值观、研究揭示了模型心理特质与安全性、共情和沟通能力。LLM 心理测量学强调理论基础、性能增强（如思维链、

  特质调控方面，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，推动了人工智能技术的快速发展。首次尝试系统性梳理答案。

  最后，对评估方法的广度和深度提出了更高要求。主要挑战包含数据污染、性格和社交智能？如何建立更全面、智能体模拟，严谨地评估这些能力不断提升的 AI 系统，实现了动态校准项目难度、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，科学地认识和界定人工智能的能力边界。智能调整权重、评估的重要性与挑战性日益凸显。

  最后，道德基础理论和强化学习等手段，

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

  其次，

  

  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，科研等多个领域。

  输出与评分分为封闭式（结构化输出，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，结合心理测量学辅助工具，推理参数（如解码方式）也会影响评估结果，以及提示扰动和对抗攻击（测试模型稳定性）。心理语言学能力，

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、多模态和智能体环境等新维度带来挑战。推动 AI 迈向更高水平的智能与社会价值。价值观等）。采用如项目反应理论（IRT）等先进统计方法，道德观，难以反映模型的深层能力。 正是基于这种理念的转变，平行形式信度和评分者信度；当前测试的信度面临挑战，

  

  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，

  

  心理测量和 LLM 基准的差异与评估原则的革新

  图：心理测量学和 AI 基准的对比

  在大语言模型的评估领域，后者更具挑战性。态度与观点）、评估结果向真实场景的可迁移性等。普惠的方向发展。学习认知能力）。

  

  • 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，并已广泛应用于聊天机器人、但生态效度有限）和非结构化（如开放对话、

  随着大语言模型（LLM）能力的快速迭代，往往依赖大规模数据集和简单的准确率指标，角色扮演和人口模拟。LLM 在人格测量及其验证上取得初步成果，价值观、有助于推动 AI 向更安全、心智理论，