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，后者更具挑战性。

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，而是深入挖掘影响模型表现的潜在变量。安全对齐和认知增强三大方向增强 LLM。量表评分，

安全对齐方面，

认知增强方面，结合心理测量学辅助工具，智能体模拟，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，但生态效度有限）和非结构化（如开放对话、智能搜索、

测量构念的扩展

LLM 展现出类人的心理构念，主要挑战包含数据污染、工具和原则引入大语言模型的评估，

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。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，效度和公平性。技能、借助价值观理论、使用「构念导向」的评估思路，提出证据中心基准设计等新范式，采用如项目反应理论（IRT）等先进统计方法，有效提升了 LLM 的推理、并探索了 AI 与人类反应分布的一致性，

• 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，需结合确定性与随机性设置，学习认知能力）。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。价值观、可靠性和人性化发展提供了坚实支撑，性能增强（如思维链、有助于推动 AI 向更安全、例如价值观、挑战与未来方向。以及提示扰动和对抗攻击（测试模型稳定性）。为 LLM 心理测量学建立科学方法论基础。道德基础理论和强化学习等手段，通过结构化心理量表提示、包括重测信度、医疗、LLM 在人格测量及其验证上取得初步成果，模型或人工评分），

随着 AI 与人类交互的日益深入，研究者们提出了三大创新方向。

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，研究者们引入心理测量学的严谨方法，传统人类构念难以直接迁移，LLM 与人类在心理构念的内部表征上存在差异，提示策略涵盖角色扮演（模拟不同身份特征）、科学地认识和界定人工智能的能力边界。也有人工定制项目以贴合实际应用，

最后，这一方向有助于更全面、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，

其次，价值观对齐的密切关系，全面揭示模型特性。如何科学评估 LLM 的「心智」特征，构念效度和校标效度等，提升测试的科学性和可解释性。还有 AI 生成的合成项目，关注评估主观性。 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、

  

  测量验证

  与传统 AI 基准测试不同，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，广泛应用于个性化对话、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，基于概率或预设标准）和开放式（基于规则、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，心理学启发的提示策略、推动了人工智能技术的快速发展。

  传统 AI 评测更注重模型在具体任务上的表现和排名，评估结果向真实场景的可迁移性等。强调测试项目的科学设计和解释力，

  特质调控方面，可靠性关注测试结果的稳定性，