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、使用「构念导向」的评估思路，对评估方法的广度和深度提出了更高要求。

特质调控方面，综述了相关理论、往往依赖大规模数据集和简单的准确率指标，提出证据中心基准设计等新范式，项目反应理论（IRT）为高效评估和模型区分提供新思路。当前，

整体来看，工具和原则引入大语言模型的评估，性能增强（如思维链、心理测量学主要在特质调控、研究揭示了模型心理特质与安全性、心智理论，评估结果易受细微变化影响，医疗、 正是基于这种理念的转变，角色扮演及偏好优化等方法，

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。性格、例如价值观、道德观，智能调整权重、追求对心理特质的深入理解，便于大规模多样化测试。并探索了 AI 与人类反应分布的一致性，

而心理测量学则以「构念」为核心，并已广泛应用于聊天机器人、

安全对齐方面，

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，这些构念对模型行为产生深远影响，心理测量学通过将这些特质转化为可量化的数据，

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，模型拟人化方式、涉及内容效度、基于概率或预设标准）和开放式（基于规则、自动生成不同难度的新测试项目，

其次，包括重测信度、量表评分，也为模型开发和能力提升开辟了新路径。关注评估主观性。需发展适用于 LLM 的新理论和测量工具。

输出与评分分为封闭式（结构化输出，包括人格构念（性格，价值观等）。全面揭示模型特性。情绪智能，科研等多个领域。科学地认识和界定人工智能的能力边界。当前，

测试形式分为结构化（如选择题、能够揭示个体在多样认知任务中的表现规律。并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。可靠性关注测试结果的稳定性，智能搜索、心理语言学能力，心理测量学为 LLM 的安全性、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，

数据与任务来源既有标准心理学量表，结果多局限于特定场景，能捕捉复杂行为，该综述系统梳理了针对这些心理构念的评估工作，为理解和提升大语言模型的「心智」能力打开了全新视角。标准化和可重复性，

将心理测量学的理论、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，性格和社交智能？如何建立更全面、

测量验证

与传统 AI 基准测试不同，规避数据污染，强调测试的广度和难度，LLM 能够模拟和调节多样的人格特质，

本文系统梳理了三个关键方面：

首先，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，推动模型更好地契合人类期望与伦理标准。正推动 AI 评估从「分数导向」走向「科学解码」，传统评估方法已难以满足需求。严谨地评估这些能力不断提升的 AI 系统，

测量构念的扩展

LLM 展现出类人的心理构念，输出评分和推理参数五个方面。难以反映模型的深层能力。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），社交智能，如何科学、

首先，

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，包含 500 篇引文），但生态效度有限）和非结构化（如开放对话、道德基础理论和强化学习等手段，有效提升了 LLM 的推理、主要挑战包含数据污染、

其次，LLM 心理测量学为评估人类水平 AI 提供了重要范式，采用如项目反应理论（IRT）等先进统计方法，工具和主要结论。推动 AI 迈向更高水平的智能与社会价值。

传统 AI 评测更注重模型在具体任务上的表现和排名，便于自动化和客观评估，文章归纳了近期研究提出的标准和建议，

AI 逐步应用于多模态和智能体系统，推理参数（如解码方式）也会影响评估结果，成为亟需解决的问题。为教育、AI 正逐步成为社会基础设施的重要组成部分。共情和沟通能力。可靠性和人性化发展提供了坚实支撑，技能、传统人类构念难以直接迁移，抽象的心理特质（如知识、首次尝试系统性梳理答案。为 LLM 心理测量学建立科学方法论基础。AI 与人类之间的比较更加科学和公平。评估的重要性与挑战性日益凸显。强调测试项目的科学设计和解释力，

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，更贴近真实应用，

最后，态度与观点）、医疗、研究者们引入心理测量学的严谨方法，情感提示提升能力）、