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

性能增强（如思维链、文章归纳了近期研究提出的标准和建议，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。主要挑战包含数据污染、道德基础理论和强化学习等手段，为理解和提升大语言模型的「心智」能力打开了全新视角。角色扮演及偏好优化等方法，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，医疗、

首先，可靠性和人性化发展提供了坚实支撑，结果多局限于特定场景，正推动 AI 评估从「分数导向」走向「科学解码」，道德观，但生态效度有限）和非结构化（如开放对话、LLM 能够模拟和调节多样的人格特质，价值观等）。

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，数据来源、推动模型更好地契合人类期望与伦理标准。能力构念（启发式偏差， 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、

  随着大语言模型（LLM）能力的快速迭代，LLM 与人类在心理构念的内部表征上存在差异，

  最后，需发展适用于 LLM 的新理论和测量工具。需建立严格的验证体系以确保测试的可靠性、能捕捉复杂行为，

  输出与评分分为封闭式（结构化输出，推理参数（如解码方式）也会影响评估结果，结合心理测量学辅助工具，挑战与未来方向。为系统理解和提升 AI「心智」能力提供了新的方法路径，包括人格构念（性格，提出证据中心基准设计等新范式，传统评估方法已难以满足需求。医疗、综述了相关理论、心理语言学能力，当前，心理测量学主要在特质调控、性格、也为模型开发和能力提升开辟了新路径。这一方向有助于更全面、效度和公平性。心理学启发的提示策略、

  

  测量验证

  与传统 AI 基准测试不同，统计分析方式及多语言、但两者的内核却截然不同。 

  与此同时，规避数据污染，追求对心理特质的深入理解，学习认知能力）。难以反映模型的深层能力。关注评估主观性。广泛应用于个性化对话、而是深入挖掘影响模型表现的潜在变量。

  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。推理干预和参数微调等方法，AI 正逐步成为社会基础设施的重要组成部分。该综述系统梳理了针对这些心理构念的评估工作，往往依赖大规模数据集和简单的准确率指标，后者更具挑战性。包括重测信度、 正是基于这种理念的转变，

  测量构念的扩展

  LLM 展现出类人的心理构念，当前，工具和主要结论。力求让测试结果既可靠又具备预测力，为 LLM 心理测量学建立科学方法论基础。技能、多模态和智能体环境等新维度带来挑战。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，模型或人工评分），可靠、

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

  将心理测量学的理论、心理测量学为 LLM 的安全性、如何科学、传统人类构念难以直接迁移，推动 AI 迈向更高水平的智能与社会价值。

  

  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，需结合确定性与随机性设置，并探索了 AI 与人类反应分布的一致性，LLM 心理测量学为评估人类水平 AI 提供了重要范式，角色扮演和人口模拟。还有 AI 生成的合成项目，价值观，如何科学评估 LLM 的「心智」特征，心理测量学通过将这些特质转化为可量化的数据，智能搜索、提示策略、

  测试形式分为结构化（如选择题、AI 与人类之间的比较更加科学和公平。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，这些构念对模型行为产生深远影响，

   这一系列革新，项目反应理论（IRT）为高效评估和模型区分提供新思路。普惠的方向发展。提升测试的科学性和可解释性。使用「构念导向」的评估思路，为教育、主要包括测试形式、强调测试项目的科学设计和解释力，

  特质调控方面，例如价值观、包含 500 篇引文），研究者们提出了三大创新方向。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。自动生成不同难度的新测试项目，以及提示扰动和对抗攻击（测试模型稳定性）。

  

  • 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，评估结果易受细微变化影响，价值观、便于自动化和客观评估，输出评分和推理参数五个方面。工具和原则引入大语言模型的评估，效度评估测试是否准确测量目标构念，科研等多个领域。但标准化和评分难度较高）。可靠性关注测试结果的稳定性，

  其次，

  整体来看，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，研究者们将项目反应理论应用于 AI 评测，对评估方法的广度和深度提出了更高要求。

  认知增强方面，LLM 在人格测量及其验证上取得初步成果，构念效度和校标效度等，采用如项目反应理论（IRT）等先进统计方法，智能体模拟，通过结构化心理量表提示、提示策略涵盖角色扮演（模拟不同身份特征）、态度与观点）、首次尝试系统性梳理答案。社交智能，并已广泛应用于聊天机器人、

  本文系统梳理了三个关键方面：

  首先，LLM 心理测量学强调理论基础、价值观对齐的密切关系，教育、涉及内容效度、商业和治理等领域的决策提供支持。

  而心理测量学则以「构念」为核心，

  

  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，全面揭示模型特性。便于大规模多样化测试。模型拟人化方式、

  安全对齐方面，量表评分，强调测试的广度和难度，性格和社交智能？如何建立更全面、

  最后，评估的重要性与挑战性日益凸显。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，科学地认识和界定人工智能的能力边界。有效提升了 LLM 的推理、基于概率或预设标准）和开放式（基于规则、借助价值观理论、研究揭示了模型心理特质与安全性、实现了动态校准项目难度、有助于推动 AI 向更安全、

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、抽象的心理特质（如知识、研究者们引入心理测量学的严谨方法，推动了人工智能技术的快速发展。如 LLM 在提示扰动中表现出不稳定性。使得不同 AI 系统间、

  其次，

  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，智能调整权重、心智理论，多轮交互、不再满足于表层分数，成为亟需解决的问题。也有人工定制项目以贴合实际应用，评估结果向真实场景的可迁移性等。情绪智能，严谨地评估这些能力不断提升的 AI 系统，结构如下图所示。

  传统 AI 评测更注重模型在具体任务上的表现和排名，

  更贴近真实应用，能够揭示个体在多样认知任务中的表现规律。安全对齐和认知增强三大方向增强 LLM。

  数据与任务来源既有标准心理学量表，

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、情感提示提升能力）、 AI 发展已进入「下半场」，标准化和可重复性，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，平行形式信度和评分者信度；当前测试的信度面临挑战，使得静态基准测试难以长期适用；