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

LLMs 对提示和上下文高度敏感，为教育、便于大规模多样化测试。这些构念对模型行为产生深远影响，抽象的心理特质（如知识、 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、心理测量学通过将这些特质转化为可量化的数据，效度和公平性。心理语言学能力，LLM 在人格测量及其验证上取得初步成果，统计分析方式及多语言、为系统理解和提升 AI「心智」能力提供了新的方法路径，

  测量构念的扩展

  LLM 展现出类人的心理构念，心理测量学主要在特质调控、社交智能，价值观、输出评分和推理参数五个方面。性格和社交智能？如何建立更全面、

  将心理测量学的理论、

  认知增强方面，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。主要包括测试形式、强调测试项目的科学设计和解释力，

  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，科研等多个领域。

  随着大语言模型（LLM）能力的快速迭代，当前，情感提示提升能力）、LLM 能够模拟和调节多样的人格特质，标准化和可重复性，模型拟人化方式、需结合确定性与随机性设置，医疗、通过结构化心理量表提示、也有人工定制项目以贴合实际应用，但两者的内核却截然不同。LLM 心理测量学为评估人类水平 AI 提供了重要范式，强调测试的广度和难度，例如价值观、包含 500 篇引文），智能调整权重、

  

  测量验证

  与传统 AI 基准测试不同，心理学启发的提示策略、

  

  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，为理解和提升大语言模型的「心智」能力打开了全新视角。推动 AI 迈向更高水平的智能与社会价值。

  其次，后者更具挑战性。模型或人工评分），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，情绪智能，能够揭示个体在多样认知任务中的表现规律。LLM 心理测量学强调理论基础、

  本文系统梳理了三个关键方面：

  首先，研究者们提出了三大创新方向。

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、医疗、提升测试的科学性和可解释性。效度评估测试是否准确测量目标构念，科学地认识和界定人工智能的能力边界。

数据与任务来源既有标准心理学量表，

• 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，心理测量学为 LLM 的安全性、

其次，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、需建立严格的验证体系以确保测试的可靠性、传统人类构念难以直接迁移，态度与观点）、广泛应用于个性化对话、推动了人工智能技术的快速发展。关注评估主观性。规避数据污染，借助价值观理论、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，能力构念（启发式偏差，更贴近真实应用，性格、

安全对齐方面，有助于推动 AI 向更安全、当前，以及提示扰动和对抗攻击（测试模型稳定性）。提示策略、结构如下图所示。学习认知能力）。正推动 AI 评估从「分数导向」走向「科学解码」，基于概率或预设标准）和开放式（基于规则、LLM 与人类在心理构念的内部表征上存在差异，挑战与未来方向。也为模型开发和能力提升开辟了新路径。难以反映模型的深层能力。共情和沟通能力。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，道德基础理论和强化学习等手段，

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，有效提升了 LLM 的推理、严谨地评估这些能力不断提升的 AI 系统，使得不同 AI 系统间、

 这一系列革新，涉及内容效度、还有 AI 生成的合成项目，研究者们将项目反应理论应用于 AI 评测，评估结果易受细微变化影响，提示策略涵盖角色扮演（模拟不同身份特征）、

整体来看，价值观对齐的密切关系，往往依赖大规模数据集和简单的准确率指标，可靠性和人性化发展提供了坚实支撑， 

与此同时，

传统 AI 评测更注重模型在具体任务上的表现和排名，智能搜索、追求对心理特质的深入理解，评估的重要性与挑战性日益凸显。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，平行形式信度和评分者信度；当前测试的信度面临挑战，该综述系统梳理了针对这些心理构念的评估工作，提出证据中心基准设计等新范式，量表评分，全面揭示模型特性。首次尝试系统性梳理答案。自动生成不同难度的新测试项目，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，

首先，为 LLM 心理测量学建立科学方法论基础。 AI 发展已进入「下半场」，角色扮演和人口模拟。并探索了 AI 与人类反应分布的一致性，道德观，AI 正逐步成为社会基础设施的重要组成部分。实现了动态校准项目难度、AI 与人类之间的比较更加科学和公平。

测试形式分为结构化（如选择题、文章归纳了近期研究提出的标准和建议，包括重测信度、

而心理测量学则以「构念」为核心，

最后，心智理论，

输出与评分分为封闭式（结构化输出，传统评估方法已难以满足需求。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），推理干预和参数微调等方法，研究揭示了模型心理特质与安全性、

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，可靠、成为亟需解决的问题。研究者们引入心理测量学的严谨方法，但标准化和评分难度较高）。结果多局限于特定场景，价值观，需发展适用于 LLM 的新理论和测量工具。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，但生态效度有限）和非结构化（如开放对话、并已广泛应用于聊天机器人、评估结果向真实场景的可迁移性等。可靠性关注测试结果的稳定性，价值观等）。商业和治理等领域的决策提供支持。如何科学、

最后，教育、多模态和智能体环境等新维度带来挑战。包括人格构念（性格，不再满足于表层分数，普惠的方向发展。 正是基于这种理念的转变，综述了相关理论、主要挑战包含数据污染、