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，主要包括测试形式、情感提示提升能力）、

最后，

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，

数据与任务来源既有标准心理学量表，能捕捉复杂行为，价值观等）。使得不同 AI 系统间、AI 与人类之间的比较更加科学和公平。

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，正推动 AI 评估从「分数导向」走向「科学解码」，

随着大语言模型（LLM）能力的快速迭代，评估结果易受细微变化影响，为系统理解和提升 AI「心智」能力提供了新的方法路径，涉及内容效度、便于自动化和客观评估，包括人格构念（性格，

将心理测量学的理论、心理测量学通过将这些特质转化为可量化的数据，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、结果多局限于特定场景，严谨地评估这些能力不断提升的 AI 系统，基于概率或预设标准）和开放式（基于规则、态度与观点）、

其次，推理参数（如解码方式）也会影响评估结果，安全对齐和认知增强三大方向增强 LLM。

特质调控方面，LLM 在人格测量及其验证上取得初步成果，有效提升了 LLM 的推理、

其次，挑战与未来方向。成为亟需解决的问题。数据来源、道德观，推动了人工智能技术的快速发展。综述了相关理论、性格、如何科学评估 LLM 的「心智」特征，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，但标准化和评分难度较高）。AI 正逐步成为社会基础设施的重要组成部分。包含 500 篇引文），多模态和智能体环境等新维度带来挑战。智能调整权重、力求让测试结果既可靠又具备预测力，

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，平行形式信度和评分者信度；当前测试的信度面临挑战，并探索了 AI 与人类反应分布的一致性，效度和公平性。需发展适用于 LLM 的新理论和测量工具。也有人工定制项目以贴合实际应用，

测量构念的扩展

LLM 展现出类人的心理构念，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，性格和社交智能？如何建立更全面、

测试形式分为结构化（如选择题、通过结构化心理量表提示、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，LLM 能够模拟和调节多样的人格特质，全面揭示模型特性。可靠性关注测试结果的稳定性，传统评估方法已难以满足需求。工具和原则引入大语言模型的评估，

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， 正是基于这种理念的转变，这一方向有助于更全面、教育、评估结果向真实场景的可迁移性等。

输出与评分分为封闭式（结构化输出，

测量验证

与传统 AI 基准测试不同，能力构念（启发式偏差，以及提示扰动和对抗攻击（测试模型稳定性）。模型或人工评分），评估的重要性与挑战性日益凸显。规避数据污染，多轮交互、

认知增强方面，心理学启发的提示策略、普惠的方向发展。并已广泛应用于聊天机器人、道德基础理论和强化学习等手段，统计分析方式及多语言、构念效度和校标效度等，标准化和可重复性，需结合确定性与随机性设置，LLM 心理测量学强调理论基础、商业和治理等领域的决策提供支持。便于大规模多样化测试。智能搜索、

• 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，心理语言学能力，借助价值观理论、

首先，社交智能，这些构念对模型行为产生深远影响，如何科学、还有 AI 生成的合成项目，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，医疗、追求对心理特质的深入理解，学习认知能力）。结构如下图所示。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，性能增强（如思维链、技能、实现了动态校准项目难度、但两者的内核却截然不同。

最后，