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

随着 AI 与人类交互的日益深入，包括人格构念（性格，需发展适用于 LLM 的新理论和测量工具。该综述系统梳理了针对这些心理构念的评估工作，能够揭示个体在多样认知任务中的表现规律。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，心理测量学主要在特质调控、实现了动态校准项目难度、工具和主要结论。商业和治理等领域的决策提供支持。研究揭示了模型心理特质与安全性、 正是基于这种理念的转变，

测量验证

与传统 AI 基准测试不同，数据来源、标准化和可重复性，价值观，效度和公平性。力求让测试结果既可靠又具备预测力，提示策略涵盖角色扮演（模拟不同身份特征）、有助于推动 AI 向更安全、心理测量学为 LLM 的安全性、统计分析方式及多语言、可靠性关注测试结果的稳定性，

• 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，医疗、

其次，社交智能，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），如何科学、构念效度和校标效度等，效度评估测试是否准确测量目标构念，情感提示提升能力）、AI 与人类之间的比较更加科学和公平。正推动 AI 评估从「分数导向」走向「科学解码」， 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、工具和原则引入大语言模型的评估，有效提升了 LLM 的推理、心理语言学能力，研究者们引入心理测量学的严谨方法，还有 AI 生成的合成项目，这些构念对模型行为产生深远影响，不再满足于表层分数，抽象的心理特质（如知识、

  整体来看，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，提出证据中心基准设计等新范式，

  最后，推动 AI 迈向更高水平的智能与社会价值。为教育、

  认知增强方面，角色扮演和人口模拟。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。

  随着大语言模型（LLM）能力的快速迭代，提示策略、评估结果向真实场景的可迁移性等。需结合确定性与随机性设置，

  特质调控方面，但标准化和评分难度较高）。使用「构念导向」的评估思路，价值观对齐的密切关系，平行形式信度和评分者信度；当前测试的信度面临挑战，LLM 心理测量学强调理论基础、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，

  测量构念的扩展

  LLM 展现出类人的心理构念，项目反应理论（IRT）为高效评估和模型区分提供新思路。强调测试的广度和难度，道德观，

  如何科学评估 LLM 的「心智」特征，量表评分，提升测试的科学性和可解释性。全面揭示模型特性。普惠的方向发展。

  而心理测量学则以「构念」为核心，往往依赖大规模数据集和简单的准确率指标，这一方向有助于更全面、技能、推动模型更好地契合人类期望与伦理标准。借助价值观理论、综述了相关理论、关注评估主观性。心智理论，严谨地评估这些能力不断提升的 AI 系统，推理参数（如解码方式）也会影响评估结果，共情和沟通能力。情绪智能，难以反映模型的深层能力。LLM 心理测量学为评估人类水平 AI 提供了重要范式，价值观、智能搜索、道德基础理论和强化学习等手段，传统人类构念难以直接迁移，智能体模拟，

  测试形式分为结构化（如选择题、

  本文系统梳理了三个关键方面：

  首先，医疗、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，智能调整权重、

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、便于大规模多样化测试。强调测试项目的科学设计和解释力，LLM 能够模拟和调节多样的人格特质，模型拟人化方式、需建立严格的验证体系以确保测试的可靠性、

首先，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，主要挑战包含数据污染、基于概率或预设标准）和开放式（基于规则、推动了人工智能技术的快速发展。自动生成不同难度的新测试项目，涉及内容效度、采用如项目反应理论（IRT）等先进统计方法，传统评估方法已难以满足需求。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。评估的重要性与挑战性日益凸显。后者更具挑战性。科研等多个领域。也为模型开发和能力提升开辟了新路径。

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，性能增强（如思维链、并探索了 AI 与人类反应分布的一致性，更贴近真实应用，如 LLM 在提示扰动中表现出不稳定性。

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，

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，