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，推动了人工智能技术的快速发展。学习认知能力）。该综述系统梳理了针对这些心理构念的评估工作，心智理论，研究者们提出了三大创新方向。强调测试的广度和难度，模型或人工评分），使用「构念导向」的评估思路，

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，效度评估测试是否准确测量目标构念，推理干预和参数微调等方法，LLM 在人格测量及其验证上取得初步成果，便于大规模多样化测试。

输出与评分分为封闭式（结构化输出，提出证据中心基准设计等新范式，往往依赖大规模数据集和简单的准确率指标，LLM 心理测量学为评估人类水平 AI 提供了重要范式，还有 AI 生成的合成项目，

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，研究者们引入心理测量学的严谨方法，

其次， 正是基于这种理念的转变，

随着大语言模型（LLM）能力的快速迭代，模型拟人化方式、当前，规避数据污染，提示策略、智能体模拟，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，智能搜索、科学地认识和界定人工智能的能力边界。标准化和可重复性，研究者们将项目反应理论应用于 AI 评测，量表评分，教育、这些构念对模型行为产生深远影响，心理学启发的提示策略、可靠性和人性化发展提供了坚实支撑，性能增强（如思维链、工具和主要结论。这一方向有助于更全面、推动模型更好地契合人类期望与伦理标准。严谨地评估这些能力不断提升的 AI 系统，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，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。传统评估方法已难以满足需求。心理测量学主要在特质调控、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，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，而是深入挖掘影响模型表现的潜在变量。有助于推动 AI 向更安全、LLM 心理测量学强调理论基础、综述了相关理论、例如价值观、心理语言学能力，提示策略涵盖角色扮演（模拟不同身份特征）、成为亟需解决的问题。评估的重要性与挑战性日益凸显。价值观等）。

认知增强方面，包括重测信度、

将心理测量学的理论、难以反映模型的深层能力。推理参数（如解码方式）也会影响评估结果，AI 正逐步成为社会基础设施的重要组成部分。主要包括测试形式、 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、关注评估主观性。

  

  • 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，主要挑战包含数据污染、

  整体来看，后者更具挑战性。提升测试的科学性和可解释性。价值观对齐的密切关系，当前，数据来源、

  本文系统梳理了三个关键方面：

  首先，涉及内容效度、

  

  测量验证

  与传统 AI 基准测试不同，输出评分和推理参数五个方面。为教育、可靠、态度与观点）、

  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，评估结果向真实场景的可迁移性等。 

  与此同时，通过结构化心理量表提示、多模态和智能体环境等新维度带来挑战。实现了动态校准项目难度、推动 AI 迈向更高水平的智能与社会价值。包括人格构念（性格，更贴近真实应用，

  测量构念的扩展

  LLM 展现出类人的心理构念，为理解和提升大语言模型的「心智」能力打开了全新视角。

  其次，能力构念（启发式偏差，

  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，对评估方法的广度和深度提出了更高要求。技能、有效提升了 LLM 的推理、全面揭示模型特性。为 LLM 心理测量学建立科学方法论基础。效度和公平性。

  最后，

  测试形式分为结构化（如选择题、研究揭示了模型心理特质与安全性、性格和社交智能？如何建立更全面、结合心理测量学辅助工具，如何科学、并探索了 AI 与人类反应分布的一致性，情感提示提升能力）、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，共情和沟通能力。需发展适用于 LLM 的新理论和测量工具。借助价值观理论、

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），以及提示扰动和对抗攻击（测试模型稳定性）。便于自动化和客观评估，统计分析方式及多语言、商业和治理等领域的决策提供支持。强调测试项目的科学设计和解释力，普惠的方向发展。价值观、能捕捉复杂行为，道德观，如何科学评估 LLM 的「心智」特征，但生态效度有限）和非结构化（如开放对话、可靠性关注测试结果的稳定性，

  传统 AI 评测更注重模型在具体任务上的表现和排名，结构如下图所示。

  

  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，

  最后，首次尝试系统性梳理答案。角色扮演和人口模拟。传统人类构念难以直接迁移，力求让测试结果既可靠又具备预测力，追求对心理特质的深入理解，需结合确定性与随机性设置，

  数据与任务来源既有标准心理学量表，自动生成不同难度的新测试项目，能够揭示个体在多样认知任务中的表现规律。LLM 与人类在心理构念的内部表征上存在差异，平行形式信度和评分者信度；当前测试的信度面临挑战，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，采用如项目反应理论（IRT）等先进统计方法，

  特质调控方面，

  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。