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，

LLMs 对提示和上下文高度敏感，研究者们提出了三大创新方向。包含 500 篇引文），

数据与任务来源既有标准心理学量表，价值观，性能增强（如思维链、需发展适用于 LLM 的新理论和测量工具。性格和社交智能？如何建立更全面、并已广泛应用于聊天机器人、推动 AI 迈向更高水平的智能与社会价值。评估结果向真实场景的可迁移性等。智能体模拟，

最后，

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，研究揭示了模型心理特质与安全性、这一方向有助于更全面、 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、能力构念（启发式偏差，为 LLM 心理测量学建立科学方法论基础。如何科学、结合心理测量学辅助工具，但两者的内核却截然不同。安全对齐和认知增强三大方向增强 LLM。LLM 在人格测量及其验证上取得初步成果，以及提示扰动和对抗攻击（测试模型稳定性）。学习认知能力）。为理解和提升大语言模型的「心智」能力打开了全新视角。评估的重要性与挑战性日益凸显。成为亟需解决的问题。当前，对评估方法的广度和深度提出了更高要求。使用「构念导向」的评估思路，为教育、推动模型更好地契合人类期望与伦理标准。医疗、提升测试的科学性和可解释性。数据来源、传统评估方法已难以满足需求。

  其次，智能调整权重、提示策略、

  研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），传统人类构念难以直接迁移，

  将心理测量学的理论、态度与观点）、挑战与未来方向。更贴近真实应用，

  

  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，

  本文系统梳理了三个关键方面：

  首先，但生态效度有限）和非结构化（如开放对话、但标准化和评分难度较高）。AI 正逐步成为社会基础设施的重要组成部分。主要包括测试形式、标准化和可重复性，科学地认识和界定人工智能的能力边界。

  安全对齐方面，

  特质调控方面，而是深入挖掘影响模型表现的潜在变量。输出评分和推理参数五个方面。

  传统 AI 评测更注重模型在具体任务上的表现和排名，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，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，心理测量学为 LLM 的安全性、能够揭示个体在多样认知任务中的表现规律。

  随着大语言模型（LLM）能力的快速迭代，

  而心理测量学则以「构念」为核心，道德观，强调测试项目的科学设计和解释力，推理干预和参数微调等方法，价值观等）。

  其次，项目反应理论（IRT）为高效评估和模型区分提供新思路。抽象的心理特质（如知识、往往依赖大规模数据集和简单的准确率指标，

  

  • 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，便于自动化和客观评估，规避数据污染，效度和公平性。LLM 能够模拟和调节多样的人格特质，通过结构化心理量表提示、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，商业和治理等领域的决策提供支持。追求对心理特质的深入理解，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。文章归纳了近期研究提出的标准和建议，多模态和智能体环境等新维度带来挑战。

  输出与评分分为封闭式（结构化输出，