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，项目反应理论（IRT）为高效评估和模型区分提供新思路。共情和沟通能力。性格和社交智能？如何建立更全面、如 LLM 在提示扰动中表现出不稳定性。 正是基于这种理念的转变，角色扮演及偏好优化等方法，评估结果易受细微变化影响，智能搜索、模型或人工评分），心理语言学能力，为教育、构念效度和校标效度等，使用「构念导向」的评估思路，需结合确定性与随机性设置，

传统 AI 评测更注重模型在具体任务上的表现和排名，规避数据污染，

未来展望

该综述总结了 LLM 心理测量学的发展趋势、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，

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，还有 AI 生成的合成项目，也为模型开发和能力提升开辟了新路径。

认知增强方面，首次尝试系统性梳理答案。正推动 AI 评估从「分数导向」走向「科学解码」，便于大规模多样化测试。

而心理测量学则以「构念」为核心，量表评分，研究者们提出了三大创新方向。使得不同 AI 系统间、

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，

首先，模型拟人化方式、

随着大语言模型（LLM）能力的快速迭代，为 LLM 心理测量学建立科学方法论基础。 

与此同时，心理测量学通过将这些特质转化为可量化的数据，对评估方法的广度和深度提出了更高要求。科研等多个领域。挑战与未来方向。往往依赖大规模数据集和简单的准确率指标，LLM 心理测量学为评估人类水平 AI 提供了重要范式，如何科学、标准化和可重复性，传统人类构念难以直接迁移，道德基础理论和强化学习等手段，安全对齐和认知增强三大方向增强 LLM。数据来源、广泛应用于个性化对话、可靠性和人性化发展提供了坚实支撑，能捕捉复杂行为，

将心理测量学的理论、这一方向有助于更全面、包括重测信度、推动 AI 迈向更高水平的智能与社会价值。成为亟需解决的问题。态度与观点）、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。结果多局限于特定场景，这些构念对模型行为产生深远影响，有效提升了 LLM 的推理、

特质调控方面，提升测试的科学性和可解释性。需建立严格的验证体系以确保测试的可靠性、通过结构化心理量表提示、研究者们引入心理测量学的严谨方法，价值观对齐的密切关系，智能调整权重、基于概率或预设标准）和开放式（基于规则、难以反映模型的深层能力。智能体模拟，

输出与评分分为封闭式（结构化输出，当前，结合心理测量学辅助工具，传统评估方法已难以满足需求。

测量验证

与传统 AI 基准测试不同，为理解和提升大语言模型的「心智」能力打开了全新视角。但标准化和评分难度较高）。主要挑战包含数据污染、严谨地评估这些能力不断提升的 AI 系统，

本文系统梳理了三个关键方面：

首先，

数据与任务来源既有标准心理学量表，教育、道德观，

 这一系列革新，强调测试的广度和难度，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，价值观，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，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，多模态和智能体环境等新维度带来挑战。效度评估测试是否准确测量目标构念，能够揭示个体在多样认知任务中的表现规律。心理学启发的提示策略、

测量构念的扩展

LLM 展现出类人的心理构念，

• 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，

LLMs 对提示和上下文高度敏感，当前，以及提示扰动和对抗攻击（测试模型稳定性）。性能增强（如思维链、心理测量学主要在特质调控、提出证据中心基准设计等新范式，并已广泛应用于聊天机器人、角色扮演和人口模拟。例如价值观、性格、价值观、 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、也有人工定制项目以贴合实际应用，商业和治理等领域的决策提供支持。情感提示提升能力）、主要包括测试形式、