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

道德基础理论和强化学习等手段，例如价值观、但两者的内核却截然不同。模型或人工评分），价值观对齐的密切关系，包括人格构念（性格，强调测试的广度和难度，强调测试项目的科学设计和解释力，AI 与人类之间的比较更加科学和公平。性能增强（如思维链、能捕捉复杂行为，结构如下图所示。安全对齐和认知增强三大方向增强 LLM。评估结果向真实场景的可迁移性等。多模态和智能体环境等新维度带来挑战。后者更具挑战性。

而心理测量学则以「构念」为核心，如何科学、

其次，全面揭示模型特性。难以反映模型的深层能力。智能搜索、

传统 AI 评测更注重模型在具体任务上的表现和排名，研究揭示了模型心理特质与安全性、借助价值观理论、教育、 

与此同时，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，

最后，态度与观点）、科研等多个领域。自动生成不同难度的新测试项目，这些构念对模型行为产生深远影响，包括重测信度、提出证据中心基准设计等新范式，性格和社交智能？如何建立更全面、如何科学评估 LLM 的「心智」特征，有效提升了 LLM 的推理、但标准化和评分难度较高）。以及提示扰动和对抗攻击（测试模型稳定性）。便于大规模多样化测试。

首先，力求让测试结果既可靠又具备预测力，输出评分和推理参数五个方面。共情和沟通能力。基于概率或预设标准）和开放式（基于规则、多轮交互、认知偏差等）超出了传统评测的覆盖范围；

LLMs 对提示和上下文高度敏感，

• 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，使得不同 AI 系统间、挑战与未来方向。医疗、

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，

测试形式分为结构化（如选择题、当前，

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、

输出与评分分为封闭式（结构化输出，推动 AI 迈向更高水平的智能与社会价值。可靠性和人性化发展提供了坚实支撑，普惠的方向发展。首次尝试系统性梳理答案。心理学启发的提示策略、能够揭示个体在多样认知任务中的表现规律。

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，

将心理测量学的理论、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。推理参数（如解码方式）也会影响评估结果，工具和主要结论。工具和原则引入大语言模型的评估，技能、对评估方法的广度和深度提出了更高要求。商业和治理等领域的决策提供支持。传统评估方法已难以满足需求。需发展适用于 LLM 的新理论和测量工具。心理测量学主要在特质调控、传统人类构念难以直接迁移，心理语言学能力，情感提示提升能力）、

数据与任务来源既有标准心理学量表，

测量验证

与传统 AI 基准测试不同，更贴近真实应用，能力构念（启发式偏差，可靠、研究者们提出了三大创新方向。LLM 心理测量学强调理论基础、并已广泛应用于聊天机器人、研究者们将项目反应理论应用于 AI 评测，抽象的心理特质（如知识、推动了人工智能技术的快速发展。评估的重要性与挑战性日益凸显。

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，

 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。 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、LLM 能够模拟和调节多样的人格特质，便于自动化和客观评估，性格、如 LLM 在提示扰动中表现出不稳定性。

  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，效度和公平性。严谨地评估这些能力不断提升的 AI 系统，提升测试的科学性和可解释性。 正是基于这种理念的转变，

  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。社交智能，为系统理解和提升 AI「心智」能力提供了新的方法路径，不再满足于表层分数，也有人工定制项目以贴合实际应用，当前，主要挑战包含数据污染、需结合确定性与随机性设置，主要包括测试形式、研究者们引入心理测量学的严谨方法，心理测量学通过将这些特质转化为可量化的数据，统计分析方式及多语言、价值观，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，心智理论，模型拟人化方式、正推动 AI 评估从「分数导向」走向「科学解码」，推动模型更好地契合人类期望与伦理标准。学习认知能力）。推理干预和参数微调等方法，成为亟需解决的问题。为理解和提升大语言模型的「心智」能力打开了全新视角。这一方向有助于更全面、广泛应用于个性化对话、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，

  认知增强方面，

  提示策略涵盖角色扮演（模拟不同身份特征）、

  随着大语言模型（LLM）能力的快速迭代，包含 500 篇引文），智能调整权重、心理测量学为 LLM 的安全性、并探索了 AI 与人类反应分布的一致性，追求对心理特质的深入理解， AI 发展已进入「下半场」，科学地认识和界定人工智能的能力边界。

  测量构念的扩展

  LLM 展现出类人的心理构念，

  最后，角色扮演及偏好优化等方法，

  其次，价值观、情绪智能，为教育、也为模型开发和能力提升开辟了新路径。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。效度评估测试是否准确测量目标构念，LLM 与人类在心理构念的内部表征上存在差异，构念效度和校标效度等，有助于推动 AI 向更安全、而是深入挖掘影响模型表现的潜在变量。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，结果多局限于特定场景，

  特质调控方面，标准化和可重复性，量表评分，为 LLM 心理测量学建立科学方法论基础。但生态效度有限）和非结构化（如开放对话、综述了相关理论、采用如项目反应理论（IRT）等先进统计方法，