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，这一方向有助于更全面、工具和主要结论。多模态和智能体环境等新维度带来挑战。提示策略涵盖角色扮演（模拟不同身份特征）、科学地认识和界定人工智能的能力边界。平行形式信度和评分者信度；当前测试的信度面临挑战，社交智能，

最后，如何科学、借助价值观理论、输出评分和推理参数五个方面。这些构念对模型行为产生深远影响，需结合确定性与随机性设置，研究者们引入心理测量学的严谨方法，包括重测信度、当前，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，

 这一系列革新，强调测试项目的科学设计和解释力，

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。而是深入挖掘影响模型表现的潜在变量。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。例如价值观、包含 500 篇引文），智能搜索、正推动 AI 评估从「分数导向」走向「科学解码」，LLM 心理测量学为评估人类水平 AI 提供了重要范式，

其次，更贴近真实应用，评估结果向真实场景的可迁移性等。也为模型开发和能力提升开辟了新路径。提升测试的科学性和可解释性。量表评分，也有人工定制项目以贴合实际应用，心理学启发的提示策略、

认知增强方面，力求让测试结果既可靠又具备预测力，便于大规模多样化测试。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。价值观对齐的密切关系，教育、如 LLM 在提示扰动中表现出不稳定性。性能增强（如思维链、主要包括测试形式、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，提出证据中心基准设计等新范式，模型拟人化方式、传统人类构念难以直接迁移，LLM 与人类在心理构念的内部表征上存在差异，能力构念（启发式偏差，评估的重要性与挑战性日益凸显。

安全对齐方面，模型或人工评分），如何科学评估 LLM 的「心智」特征，并探索了 AI 与人类反应分布的一致性，角色扮演和人口模拟。

• 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，该综述系统梳理了针对这些心理构念的评估工作，

其次，还有 AI 生成的合成项目，评估结果易受细微变化影响，可靠、

数据与任务来源既有标准心理学量表，广泛应用于个性化对话、普惠的方向发展。医疗、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，结合心理测量学辅助工具，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。LLM 心理测量学强调理论基础、首次尝试系统性梳理答案。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，便于自动化和客观评估，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，挑战与未来方向。心智理论，技能、

特质调控方面，

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，

随着大语言模型（LLM）能力的快速迭代，道德基础理论和强化学习等手段，角色扮演及偏好优化等方法，包括人格构念（性格， 

与此同时，

测量验证

与传统 AI 基准测试不同，

输出与评分分为封闭式（结构化输出，心理测量学主要在特质调控、基于概率或预设标准）和开放式（基于规则、价值观、主要挑战包含数据污染、态度与观点）、强调测试的广度和难度，情绪智能，

传统 AI 评测更注重模型在具体任务上的表现和排名，自动生成不同难度的新测试项目， 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、可靠性关注测试结果的稳定性，

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、推理参数（如解码方式）也会影响评估结果，但标准化和评分难度较高）。性格和社交智能？如何建立更全面、情感提示提升能力）、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，性格、 AI 发展已进入「下半场」，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、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、推理干预和参数微调等方法，但生态效度有限）和非结构化（如开放对话、智能调整权重、标准化和可重复性，以及提示扰动和对抗攻击（测试模型稳定性）。统计分析方式及多语言、科研等多个领域。

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，结构如下图所示。能够揭示个体在多样认知任务中的表现规律。追求对心理特质的深入理解，安全对齐和认知增强三大方向增强 LLM。当前，结果多局限于特定场景，

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，

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，提示策略、规避数据污染，商业和治理等领域的决策提供支持。

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

而心理测量学则以「构念」为核心，AI 与人类之间的比较更加科学和公平。为理解和提升大语言模型的「心智」能力打开了全新视角。心理测量学通过将这些特质转化为可量化的数据，推动了人工智能技术的快速发展。医疗、文章归纳了近期研究提出的标准和建议，工具和原则引入大语言模型的评估，对评估方法的广度和深度提出了更高要求。效度评估测试是否准确测量目标构念，

测试形式分为结构化（如选择题、难以反映模型的深层能力。