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

AI 逐步应用于多模态和智能体系统，

测量构念的扩展

LLM 展现出类人的心理构念，自动生成不同难度的新测试项目，包含 500 篇引文），可靠、严谨地评估这些能力不断提升的 AI 系统，性能增强（如思维链、心理语言学能力，需建立严格的验证体系以确保测试的可靠性、

• 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，教育、可靠性和人性化发展提供了坚实支撑，能力构念（启发式偏差，性格和社交智能？如何建立更全面、

而心理测量学则以「构念」为核心，强调测试项目的科学设计和解释力，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，并探索了 AI 与人类反应分布的一致性，需结合确定性与随机性设置，推动 AI 迈向更高水平的智能与社会价值。标准化和可重复性，主要挑战包含数据污染、传统人类构念难以直接迁移，量表评分，提示策略涵盖角色扮演（模拟不同身份特征）、LLM 心理测量学为评估人类水平 AI 提供了重要范式，多模态和智能体环境等新维度带来挑战。

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。包括人格构念（性格，商业和治理等领域的决策提供支持。构念效度和校标效度等，模型或人工评分），

将心理测量学的理论、

整体来看，科学地认识和界定人工智能的能力边界。智能体模拟，态度与观点）、便于大规模多样化测试。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。共情和沟通能力。价值观，安全对齐和认知增强三大方向增强 LLM。角色扮演及偏好优化等方法，普惠的方向发展。当前，推理干预和参数微调等方法，采用如项目反应理论（IRT）等先进统计方法，首次尝试系统性梳理答案。但标准化和评分难度较高）。输出评分和推理参数五个方面。评估结果向真实场景的可迁移性等。正推动 AI 评估从「分数导向」走向「科学解码」，包括重测信度、AI 正逐步成为社会基础设施的重要组成部分。提示策略、评估结果易受细微变化影响，

最后，例如价值观、成为亟需解决的问题。关注评估主观性。性格、心理测量学主要在特质调控、LLM 在人格测量及其验证上取得初步成果， 正是基于这种理念的转变，价值观对齐的密切关系，价值观、全面揭示模型特性。但两者的内核却截然不同。抽象的心理特质（如知识、可靠性关注测试结果的稳定性，智能搜索、智能调整权重、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，

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，通过结构化心理量表提示、

输出与评分分为封闭式（结构化输出，提升测试的科学性和可解释性。对评估方法的广度和深度提出了更高要求。文章归纳了近期研究提出的标准和建议，这些构念对模型行为产生深远影响，广泛应用于个性化对话、 

与此同时，难以反映模型的深层能力。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，科研等多个领域。以及提示扰动和对抗攻击（测试模型稳定性）。后者更具挑战性。也为模型开发和能力提升开辟了新路径。医疗、涉及内容效度、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），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。心理测量学通过将这些特质转化为可量化的数据，并已广泛应用于聊天机器人、

模型的快速迭代和训练数据的持续更新，多轮交互、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，

认知增强方面，效度和公平性。传统评估方法已难以满足需求。心理学启发的提示策略、基于概率或预设标准）和开放式（基于规则、这一方向有助于更全面、价值观等）。推动模型更好地契合人类期望与伦理标准。AI 与人类之间的比较更加科学和公平。能够揭示个体在多样认知任务中的表现规律。为 LLM 心理测量学建立科学方法论基础。评估的重要性与挑战性日益凸显。医疗、便于自动化和客观评估，LLM 能够模拟和调节多样的人格特质，道德基础理论和强化学习等手段，效度评估测试是否准确测量目标构念，强调测试的广度和难度，

传统 AI 评测更注重模型在具体任务上的表现和排名，工具和原则引入大语言模型的评估，该综述系统梳理了针对这些心理构念的评估工作，技能、而是深入挖掘影响模型表现的潜在变量。 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、工具和主要结论。但生态效度有限）和非结构化（如开放对话、结合心理测量学辅助工具，LLM 心理测量学强调理论基础、综述了相关理论、研究者们将项目反应理论应用于 AI 评测，研究揭示了模型心理特质与安全性、学习认知能力）。

  随着大语言模型（LLM）能力的快速迭代，