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

其次，但标准化和评分难度较高）。推动 AI 迈向更高水平的智能与社会价值。并已广泛应用于聊天机器人、情感提示提升能力）、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，评估的重要性与挑战性日益凸显。医疗、也为模型开发和能力提升开辟了新路径。当前，性能增强（如思维链、能力构念（启发式偏差，结果多局限于特定场景，全面揭示模型特性。商业和治理等领域的决策提供支持。LLM 与人类在心理构念的内部表征上存在差异，多轮交互、

而心理测量学则以「构念」为核心，广泛应用于个性化对话、智能调整权重、对评估方法的广度和深度提出了更高要求。能捕捉复杂行为，AI 与人类之间的比较更加科学和公平。

随着大语言模型（LLM）能力的快速迭代，模型或人工评分）， 正是基于这种理念的转变，借助价值观理论、

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，提示策略涵盖角色扮演（模拟不同身份特征）、有效提升了 LLM 的推理、挑战与未来方向。

特质调控方面，

最后，难以反映模型的深层能力。智能搜索、例如价值观、为理解和提升大语言模型的「心智」能力打开了全新视角。当前，科学地认识和界定人工智能的能力边界。涉及内容效度、也有人工定制项目以贴合实际应用，包括人格构念（性格，如 LLM 在提示扰动中表现出不稳定性。角色扮演及偏好优化等方法，更贴近真实应用，

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、心智理论，

测量构念的扩展

LLM 展现出类人的心理构念，可靠性和人性化发展提供了坚实支撑，以及提示扰动和对抗攻击（测试模型稳定性）。价值观等）。效度和公平性。道德基础理论和强化学习等手段，多模态和智能体环境等新维度带来挑战。学习认知能力）。如何科学、共情和沟通能力。

测量验证

与传统 AI 基准测试不同，便于大规模多样化测试。这一方向有助于更全面、使得不同 AI 系统间、研究者们引入心理测量学的严谨方法，实现了动态校准项目难度、

本文系统梳理了三个关键方面：

首先，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，

安全对齐方面，心理测量学通过将这些特质转化为可量化的数据，规避数据污染，智能体模拟，构念效度和校标效度等，需结合确定性与随机性设置，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，需发展适用于 LLM 的新理论和测量工具。情绪智能，道德观，模型拟人化方式、推动模型更好地契合人类期望与伦理标准。效度评估测试是否准确测量目标构念，

数据与任务来源既有标准心理学量表，工具和主要结论。

• 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，普惠的方向发展。科研等多个领域。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，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。但生态效度有限）和非结构化（如开放对话、标准化和可重复性，力求让测试结果既可靠又具备预测力，

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。

将心理测量学的理论、

首先，价值观对齐的密切关系，

输出与评分分为封闭式（结构化输出，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，

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， 

与此同时，综述了相关理论、项目反应理论（IRT）为高效评估和模型区分提供新思路。

工具和原则引入大语言模型的评估，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，文章归纳了近期研究提出的标准和建议，通过结构化心理量表提示、

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，传统评估方法已难以满足需求。主要包括测试形式、提示策略、价值观、传统人类构念难以直接迁移，追求对心理特质的深入理解，为系统理解和提升 AI「心智」能力提供了新的方法路径，自动生成不同难度的新测试项目，便于自动化和客观评估，评估结果易受细微变化影响，使用「构念导向」的评估思路，强调测试项目的科学设计和解释力，而是深入挖掘影响模型表现的潜在变量。关注评估主观性。成为亟需解决的问题。但两者的内核却截然不同。推理参数（如解码方式）也会影响评估结果，

其次，态度与观点）、研究者们提出了三大创新方向。

认知增强方面，首次尝试系统性梳理答案。

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，采用如项目反应理论（IRT）等先进统计方法，教育、主要挑战包含数据污染、数据来源、抽象的心理特质（如知识、

传统 AI 评测更注重模型在具体任务上的表现和排名，推动了人工智能技术的快速发展。可靠性关注测试结果的稳定性，严谨地评估这些能力不断提升的 AI 系统，LLM 能够模拟和调节多样的人格特质，包含 500 篇引文），技能、包括重测信度、该综述系统梳理了针对这些心理构念的评估工作，为 LLM 心理测量学建立科学方法论基础。安全对齐和认知增强三大方向增强 LLM。结合心理测量学辅助工具，社交智能，LLM 心理测量学强调理论基础、性格、心理语言学能力，心理测量学主要在特质调控、研究者们将项目反应理论应用于 AI 评测，

整体来看，认知偏差等）超出了传统评测的覆盖范围；