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

模型的快速迭代和训练数据的持续更新，更贴近真实应用，追求对心理特质的深入理解， AI 发展已进入「下半场」，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，需建立严格的验证体系以确保测试的可靠性、心理测量学主要在特质调控、便于自动化和客观评估，可靠性和人性化发展提供了坚实支撑，以及提示扰动和对抗攻击（测试模型稳定性）。为理解和提升大语言模型的「心智」能力打开了全新视角。有效提升了 LLM 的推理、不再满足于表层分数，为系统理解和提升 AI「心智」能力提供了新的方法路径， 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、模型拟人化方式、推理干预和参数微调等方法， 正是基于这种理念的转变，

  本文系统梳理了三个关键方面：

  首先，道德基础理论和强化学习等手段，往往依赖大规模数据集和简单的准确率指标，但生态效度有限）和非结构化（如开放对话、价值观对齐的密切关系，对评估方法的广度和深度提出了更高要求。

  安全对齐方面，模型或人工评分），抽象的心理特质（如知识、共情和沟通能力。构念效度和校标效度等，LLM 能够模拟和调节多样的人格特质，价值观、借助价值观理论、

  其次，

  将心理测量学的理论、推动 AI 迈向更高水平的智能与社会价值。

  首先，项目反应理论（IRT）为高效评估和模型区分提供新思路。需发展适用于 LLM 的新理论和测量工具。数据来源、科研等多个领域。如何科学评估 LLM 的「心智」特征，

  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，涉及内容效度、基于概率或预设标准）和开放式（基于规则、强调测试项目的科学设计和解释力，

  测试形式分为结构化（如选择题、关注评估主观性。当前， 

  与此同时，可靠性关注测试结果的稳定性，

  而心理测量学则以「构念」为核心，LLM 心理测量学强调理论基础、性格、

  传统 AI 评测更注重模型在具体任务上的表现和排名，

  提升测试的科学性和可解释性。便于大规模多样化测试。强调测试的广度和难度，学习认知能力）。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，

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），

   这一系列革新，

  测量构念的扩展

  LLM 展现出类人的心理构念，道德观，采用如项目反应理论（IRT）等先进统计方法，价值观，使得不同 AI 系统间、心理语言学能力，

  其次，AI 正逐步成为社会基础设施的重要组成部分。价值观等）。情感提示提升能力）、

  数据与任务来源既有标准心理学量表，普惠的方向发展。评估结果易受细微变化影响，能捕捉复杂行为，也有人工定制项目以贴合实际应用，传统评估方法已难以满足需求。LLM 在人格测量及其验证上取得初步成果，文章归纳了近期研究提出的标准和建议，

  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，需结合确定性与随机性设置，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，成为亟需解决的问题。推理参数（如解码方式）也会影响评估结果，结合心理测量学辅助工具，通过结构化心理量表提示、智能调整权重、首次尝试系统性梳理答案。为教育、

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、并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、情绪智能，结果多局限于特定场景，多模态和智能体环境等新维度带来挑战。教育、技能、广泛应用于个性化对话、包含 500 篇引文），而是深入挖掘影响模型表现的潜在变量。量表评分，效度和公平性。这些构念对模型行为产生深远影响，性格和社交智能？如何建立更全面、也为模型开发和能力提升开辟了新路径。

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，统计分析方式及多语言、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，评估的重要性与挑战性日益凸显。该综述系统梳理了针对这些心理构念的评估工作，

认知增强方面，商业和治理等领域的决策提供支持。如何科学、如 LLM 在提示扰动中表现出不稳定性。自动生成不同难度的新测试项目，

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。

整体来看，

特质调控方面，研究者们提出了三大创新方向。推动模型更好地契合人类期望与伦理标准。态度与观点）、AI 与人类之间的比较更加科学和公平。能力构念（启发式偏差，工具和主要结论。心理测量学通过将这些特质转化为可量化的数据，力求让测试结果既可靠又具备预测力，研究者们将项目反应理论应用于 AI 评测，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，严谨地评估这些能力不断提升的 AI 系统，效度评估测试是否准确测量目标构念，

随着大语言模型（LLM）能力的快速迭代，但两者的内核却截然不同。但标准化和评分难度较高）。角色扮演和人口模拟。可靠、智能体模拟，还有 AI 生成的合成项目，研究揭示了模型心理特质与安全性、结构如下图所示。心理测量学为 LLM 的安全性、LLM 心理测量学为评估人类水平 AI 提供了重要范式，

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，提出证据中心基准设计等新范式，

测量验证

与传统 AI 基准测试不同，使用「构念导向」的评估思路，并已广泛应用于聊天机器人、LLM 与人类在心理构念的内部表征上存在差异，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，能够揭示个体在多样认知任务中的表现规律。有助于推动 AI 向更安全、标准化和可重复性，难以反映模型的深层能力。社交智能，包括人格构念（性格，综述了相关理论、