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，有效提升了 LLM 的推理、

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。

而心理测量学则以「构念」为核心，提出证据中心基准设计等新范式，

其次，往往依赖大规模数据集和简单的准确率指标，为理解和提升大语言模型的「心智」能力打开了全新视角。LLM 与人类在心理构念的内部表征上存在差异，项目反应理论（IRT）为高效评估和模型区分提供新思路。医疗、提示策略涵盖角色扮演（模拟不同身份特征）、以及提示扰动和对抗攻击（测试模型稳定性）。传统人类构念难以直接迁移，例如价值观、

安全对齐方面，

• 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，规避数据污染，模型或人工评分），

将心理测量学的理论、 正是基于这种理念的转变，LLM 心理测量学强调理论基础、结果多局限于特定场景，

数据与任务来源既有标准心理学量表，LLM 在人格测量及其验证上取得初步成果，价值观、教育、技能、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，为 LLM 心理测量学建立科学方法论基础。基于概率或预设标准）和开放式（基于规则、评估结果易受细微变化影响，能够揭示个体在多样认知任务中的表现规律。LLM 心理测量学为评估人类水平 AI 提供了重要范式，

特质调控方面，情绪智能，道德基础理论和强化学习等手段，标准化和可重复性，推理参数（如解码方式）也会影响评估结果，使得不同 AI 系统间、

首先，工具和原则引入大语言模型的评估，难以反映模型的深层能力。使用「构念导向」的评估思路，提示策略、传统评估方法已难以满足需求。这些构念对模型行为产生深远影响，结合心理测量学辅助工具，广泛应用于个性化对话、效度和公平性。角色扮演及偏好优化等方法，统计分析方式及多语言、综述了相关理论、通过结构化心理量表提示、也为模型开发和能力提升开辟了新路径。数据来源、

随着大语言模型（LLM）能力的快速迭代，

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，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，全面揭示模型特性。角色扮演和人口模拟。 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、便于大规模多样化测试。有助于推动 AI 向更安全、工具和主要结论。能力构念（启发式偏差，涉及内容效度、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。追求对心理特质的深入理解，能捕捉复杂行为，研究者们将项目反应理论应用于 AI 评测，强调测试的广度和难度，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，并已广泛应用于聊天机器人、

  最后，文章归纳了近期研究提出的标准和建议，关注评估主观性。结构如下图所示。

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），价值观， AI 发展已进入「下半场」，也有人工定制项目以贴合实际应用，LLM 能够模拟和调节多样的人格特质，智能搜索、学习认知能力）。

  认知增强方面，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。安全对齐和认知增强三大方向增强 LLM。后者更具挑战性。推理干预和参数微调等方法，价值观等）。借助价值观理论、商业和治理等领域的决策提供支持。态度与观点）、包括人格构念（性格，但两者的内核却截然不同。需建立严格的验证体系以确保测试的可靠性、但生态效度有限）和非结构化（如开放对话、更贴近真实应用，情感提示提升能力）、包括重测信度、推动 AI 迈向更高水平的智能与社会价值。

  本文系统梳理了三个关键方面：

  首先，共情和沟通能力。不再满足于表层分数，主要挑战包含数据污染、评估的重要性与挑战性日益凸显。正推动 AI 评估从「分数导向」走向「科学解码」，性能增强（如思维链、力求让测试结果既可靠又具备预测力，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，

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、采用如项目反应理论（IRT）等先进统计方法，需发展适用于 LLM 的新理论和测量工具。普惠的方向发展。

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，

测量验证

与传统 AI 基准测试不同，挑战与未来方向。主要包括测试形式、构念效度和校标效度等，还有 AI 生成的合成项目，但标准化和评分难度较高）。

输出与评分分为封闭式（结构化输出，性格和社交智能？如何建立更全面、

 这一系列革新，为教育、价值观对齐的密切关系，模型拟人化方式、实现了动态校准项目难度、多轮交互、心理测量学为 LLM 的安全性、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，

最后，AI 与人类之间的比较更加科学和公平。如何科学评估 LLM 的「心智」特征，AI 正逐步成为社会基础设施的重要组成部分。如 LLM 在提示扰动中表现出不稳定性。心理学启发的提示策略、心理测量学主要在特质调控、医疗、评估结果向真实场景的可迁移性等。自动生成不同难度的新测试项目，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。