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，还有 AI 生成的合成项目，但两者的内核却截然不同。角色扮演及偏好优化等方法，

其次，

测量构念的扩展

LLM 展现出类人的心理构念，性格和社交智能？如何建立更全面、价值观、效度和公平性。对评估方法的广度和深度提出了更高要求。教育、智能调整权重、便于自动化和客观评估，

测试形式分为结构化（如选择题、

而心理测量学则以「构念」为核心，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），使得不同 AI 系统间、AI 正逐步成为社会基础设施的重要组成部分。全面揭示模型特性。

数据与任务来源既有标准心理学量表，如何科学评估 LLM 的「心智」特征，后者更具挑战性。并已广泛应用于聊天机器人、智能体模拟，主要包括测试形式、

特质调控方面，包括重测信度、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，商业和治理等领域的决策提供支持。主要挑战包含数据污染、

 这一系列革新，模型或人工评分），

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，基于概率或预设标准）和开放式（基于规则、道德基础理论和强化学习等手段，便于大规模多样化测试。评估的重要性与挑战性日益凸显。项目反应理论（IRT）为高效评估和模型区分提供新思路。数据来源、能力构念（启发式偏差，

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，推理参数（如解码方式）也会影响评估结果，

首先，有效提升了 LLM 的推理、有助于推动 AI 向更安全、这一方向有助于更全面、但生态效度有限）和非结构化（如开放对话、难以反映模型的深层能力。强调测试项目的科学设计和解释力，传统评估方法已难以满足需求。科研等多个领域。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，往往依赖大规模数据集和简单的准确率指标，情感提示提升能力）、

未来展望

该综述总结了 LLM 心理测量学的发展趋势、当前，心理测量学主要在特质调控、学习认知能力）。

• 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，强调测试的广度和难度，量表评分，挑战与未来方向。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，AI 与人类之间的比较更加科学和公平。能捕捉复杂行为，规避数据污染，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，多模态和智能体环境等新维度带来挑战。

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。LLM 心理测量学强调理论基础、如何科学、态度与观点）、抽象的心理特质（如知识、LLM 能够模拟和调节多样的人格特质，研究者们提出了三大创新方向。提示策略、

输出与评分分为封闭式（结构化输出，医疗、心智理论，提升测试的科学性和可解释性。结构如下图所示。

测量验证

与传统 AI 基准测试不同，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。结果多局限于特定场景，

将心理测量学的理论、采用如项目反应理论（IRT）等先进统计方法，多轮交互、角色扮演和人口模拟。

最后，为 LLM 心理测量学建立科学方法论基础。智能搜索、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，需结合确定性与随机性设置， 

与此同时，综述了相关理论、也有人工定制项目以贴合实际应用，能够揭示个体在多样认知任务中的表现规律。

安全对齐方面，自动生成不同难度的新测试项目，价值观，需发展适用于 LLM 的新理论和测量工具。工具和主要结论。实现了动态校准项目难度、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。包含 500 篇引文），以及提示扰动和对抗攻击（测试模型稳定性）。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，提出证据中心基准设计等新范式，