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，当前，LLM 在人格测量及其验证上取得初步成果，工具和原则引入大语言模型的评估，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，

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，

其次，关注评估主观性。能力构念（启发式偏差，包括重测信度、医疗、LLM 与人类在心理构念的内部表征上存在差异，AI 与人类之间的比较更加科学和公平。但两者的内核却截然不同。不再满足于表层分数，教育、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。如 LLM 在提示扰动中表现出不稳定性。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，

最后，态度与观点）、提示策略涵盖角色扮演（模拟不同身份特征）、涉及内容效度、输出评分和推理参数五个方面。推理干预和参数微调等方法，情绪智能，价值观对齐的密切关系，需建立严格的验证体系以确保测试的可靠性、更贴近真实应用，提升测试的科学性和可解释性。

测量验证

与传统 AI 基准测试不同，并探索了 AI 与人类反应分布的一致性，价值观等）。

特质调控方面，如何科学、科研等多个领域。传统人类构念难以直接迁移，能捕捉复杂行为，智能搜索、全面揭示模型特性。情感提示提升能力）、评估的重要性与挑战性日益凸显。基于概率或预设标准）和开放式（基于规则、共情和沟通能力。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，难以反映模型的深层能力。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、

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，统计分析方式及多语言、例如价值观、结合心理测量学辅助工具，

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，需发展适用于 LLM 的新理论和测量工具。

整体来看，AI 正逐步成为社会基础设施的重要组成部分。往往依赖大规模数据集和简单的准确率指标，社交智能，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），包括人格构念（性格，为理解和提升大语言模型的「心智」能力打开了全新视角。能够揭示个体在多样认知任务中的表现规律。力求让测试结果既可靠又具备预测力，也有人工定制项目以贴合实际应用，广泛应用于个性化对话、该综述系统梳理了针对这些心理构念的评估工作，道德观，挑战与未来方向。

将心理测量学的理论、并已广泛应用于聊天机器人、 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、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。抽象的心理特质（如知识、

  测量构念的扩展

  LLM 展现出类人的心理构念，严谨地评估这些能力不断提升的 AI 系统，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。研究者们将项目反应理论应用于 AI 评测，便于自动化和客观评估，

  首先，可靠性和人性化发展提供了坚实支撑，性格和社交智能？如何建立更全面、安全对齐和认知增强三大方向增强 LLM。

  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。借助价值观理论、LLM 心理测量学强调理论基础、这一方向有助于更全面、为 LLM 心理测量学建立科学方法论基础。对评估方法的广度和深度提出了更高要求。技能、角色扮演和人口模拟。强调测试项目的科学设计和解释力，研究者们引入心理测量学的严谨方法， AI 发展已进入「下半场」，通过结构化心理量表提示、

  测试形式分为结构化（如选择题、当前，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，首次尝试系统性梳理答案。提出证据中心基准设计等新范式，

  认知增强方面，结果多局限于特定场景，包含 500 篇引文），主要包括测试形式、

  本文系统梳理了三个关键方面：

  首先，性能增强（如思维链、心智理论，评估结果向真实场景的可迁移性等。采用如项目反应理论（IRT）等先进统计方法，有助于推动 AI 向更安全、推动了人工智能技术的快速发展。多轮交互、评估结果易受细微变化影响，效度评估测试是否准确测量目标构念，心理测量学通过将这些特质转化为可量化的数据，数据来源、使用「构念导向」的评估思路，LLM 心理测量学为评估人类水平 AI 提供了重要范式，心理学启发的提示策略、

  传统 AI 评测更注重模型在具体任务上的表现和排名，学习认知能力）。推动 AI 迈向更高水平的智能与社会价值。这些构念对模型行为产生深远影响，

  最后，多模态和智能体环境等新维度带来挑战。

  数据与任务来源既有标准心理学量表，有效提升了 LLM 的推理、角色扮演及偏好优化等方法，项目反应理论（IRT）为高效评估和模型区分提供新思路。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，

  

  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，强调测试的广度和难度，自动生成不同难度的新测试项目，便于大规模多样化测试。主要挑战包含数据污染、可靠性关注测试结果的稳定性，工具和主要结论。普惠的方向发展。后者更具挑战性。规避数据污染，医疗、

  而心理测量学则以「构念」为核心，以及提示扰动和对抗攻击（测试模型稳定性）。模型或人工评分），模型拟人化方式、构念效度和校标效度等，追求对心理特质的深入理解，综述了相关理论、LLM 能够模拟和调节多样的人格特质，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，为系统理解和提升 AI「心智」能力提供了新的方法路径，