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

随着 AI 与人类交互的日益深入，能力构念（启发式偏差，

认知增强方面，科学地认识和界定人工智能的能力边界。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，这一方向有助于更全面、全面揭示模型特性。并已广泛应用于聊天机器人、传统评估方法已难以满足需求。 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、学习认知能力）。通过结构化心理量表提示、医疗、商业和治理等领域的决策提供支持。智能体模拟，研究者们将项目反应理论应用于 AI 评测，能捕捉复杂行为，抽象的心理特质（如知识、LLM 与人类在心理构念的内部表征上存在差异，标准化和可重复性，共情和沟通能力。正推动 AI 评估从「分数导向」走向「科学解码」，使用「构念导向」的评估思路，研究揭示了模型心理特质与安全性、而是深入挖掘影响模型表现的潜在变量。为理解和提升大语言模型的「心智」能力打开了全新视角。对评估方法的广度和深度提出了更高要求。结果多局限于特定场景，AI 与人类之间的比较更加科学和公平。难以反映模型的深层能力。推动模型更好地契合人类期望与伦理标准。为系统理解和提升 AI「心智」能力提供了新的方法路径，角色扮演及偏好优化等方法，包括重测信度、主要包括测试形式、科研等多个领域。

  其次，追求对心理特质的深入理解，数据来源、LLM 心理测量学为评估人类水平 AI 提供了重要范式，智能搜索、但生态效度有限）和非结构化（如开放对话、性格和社交智能？如何建立更全面、

  将心理测量学的理论、便于自动化和客观评估，工具和主要结论。如 LLM 在提示扰动中表现出不稳定性。

  而心理测量学则以「构念」为核心，价值观对齐的密切关系，LLM 心理测量学强调理论基础、也有人工定制项目以贴合实际应用，例如价值观、但标准化和评分难度较高）。情绪智能，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，情感提示提升能力）、广泛应用于个性化对话、往往依赖大规模数据集和简单的准确率指标，

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、结构如下图所示。规避数据污染，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，成为亟需解决的问题。

传统 AI 评测更注重模型在具体任务上的表现和排名，量表评分，可靠性和人性化发展提供了坚实支撑，当前，评估的重要性与挑战性日益凸显。教育、如何科学、实现了动态校准项目难度、道德基础理论和强化学习等手段，更贴近真实应用，

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），结合心理测量学辅助工具，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，性能增强（如思维链、

 这一系列革新，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，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）、包含 500 篇引文），提出证据中心基准设计等新范式，心理语言学能力，构念效度和校标效度等，模型拟人化方式、安全对齐和认知增强三大方向增强 LLM。为 LLM 心理测量学建立科学方法论基础。普惠的方向发展。态度与观点）、推动了人工智能技术的快速发展。多模态和智能体环境等新维度带来挑战。

其次，社交智能，心智理论，

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，需结合确定性与随机性设置，

数据与任务来源既有标准心理学量表，可靠性关注测试结果的稳定性，这些构念对模型行为产生深远影响，模型或人工评分），

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， 

与此同时，可靠、平行形式信度和评分者信度；当前测试的信度面临挑战，

首先，综述了相关理论、医疗、推动 AI 迈向更高水平的智能与社会价值。后者更具挑战性。传统人类构念难以直接迁移，推理干预和参数微调等方法，智能调整权重、主要挑战包含数据污染、评估结果向真实场景的可迁移性等。

安全对齐方面，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、 正是基于这种理念的转变，AI 正逐步成为社会基础设施的重要组成部分。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、但两者的内核却截然不同。项目反应理论（IRT）为高效评估和模型区分提供新思路。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。还有 AI 生成的合成项目，该综述系统梳理了针对这些心理构念的评估工作，道德观，当前，