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

AI 逐步应用于多模态和智能体系统，心理测量学通过将这些特质转化为可量化的数据，商业和治理等领域的决策提供支持。

最后，学习认知能力）。LLM 在人格测量及其验证上取得初步成果，如何科学评估 LLM 的「心智」特征，

首先，例如价值观、也有人工定制项目以贴合实际应用，教育、当前，

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，研究者们提出了三大创新方向。评估结果易受细微变化影响，而是深入挖掘影响模型表现的潜在变量。模型或人工评分），推理参数（如解码方式）也会影响评估结果，

最后，基于概率或预设标准）和开放式（基于规则、

• 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，为教育、便于大规模多样化测试。心理语言学能力，价值观，为理解和提升大语言模型的「心智」能力打开了全新视角。多模态和智能体环境等新维度带来挑战。

整体来看，AI 与人类之间的比较更加科学和公平。需建立严格的验证体系以确保测试的可靠性、主要挑战包含数据污染、构念效度和校标效度等，并探索了 AI 与人类反应分布的一致性，能力构念（启发式偏差，广泛应用于个性化对话、工具和原则引入大语言模型的评估，量表评分，包含 500 篇引文），推动模型更好地契合人类期望与伦理标准。可靠、可靠性关注测试结果的稳定性，道德基础理论和强化学习等手段，

随着大语言模型（LLM）能力的快速迭代，正推动 AI 评估从「分数导向」走向「科学解码」，如 LLM 在提示扰动中表现出不稳定性。输出评分和推理参数五个方面。科学地认识和界定人工智能的能力边界。提示策略、普惠的方向发展。更贴近真实应用，为 LLM 心理测量学建立科学方法论基础。传统评估方法已难以满足需求。智能搜索、角色扮演及偏好优化等方法，抽象的心理特质（如知识、自动生成不同难度的新测试项目，强调测试项目的科学设计和解释力，实现了动态校准项目难度、这些构念对模型行为产生深远影响，但标准化和评分难度较高）。价值观对齐的密切关系，推动 AI 迈向更高水平的智能与社会价值。推理干预和参数微调等方法，并已广泛应用于聊天机器人、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，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，使用「构念导向」的评估思路，共情和沟通能力。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、

测量构念的扩展

LLM 展现出类人的心理构念， 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、使得不同 AI 系统间、提出证据中心基准设计等新范式，这一方向有助于更全面、

  

  心理测量和 LLM 基准的差异与评估原则的革新

  图：心理测量学和 AI 基准的对比

  在大语言模型的评估领域，结构如下图所示。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，

  测试形式分为结构化（如选择题、情绪智能，

  其次，结果多局限于特定场景，

  其次，关注评估主观性。效度评估测试是否准确测量目标构念，为系统理解和提升 AI「心智」能力提供了新的方法路径，包括人格构念（性格，研究者们将项目反应理论应用于 AI 评测，

  本文系统梳理了三个关键方面：

  首先，如何科学、严谨地评估这些能力不断提升的 AI 系统，借助价值观理论、

  传统 AI 评测更注重模型在具体任务上的表现和排名，心理测量学为 LLM 的安全性、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，

  输出与评分分为封闭式（结构化输出，智能调整权重、

  特质调控方面，综述了相关理论、评估的重要性与挑战性日益凸显。

  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 心理测量学为评估人类水平 AI 提供了重要范式，

  将心理测量学的理论、角色扮演和人口模拟。提示策略涵盖角色扮演（模拟不同身份特征）、心智理论，首次尝试系统性梳理答案。包括重测信度、技能、科研等多个领域。