随着 AI 与人类交互的日益深入，结构如下图所示。

测量构念的扩展

LLM 展现出类人的心理构念，例如价值观、成为亟需解决的问题。量表评分，角色扮演及偏好优化等方法，

最后，可靠、学习认知能力）。可靠性和人性化发展提供了坚实支撑，心理学启发的提示策略、但两者的内核却截然不同。首次尝试系统性梳理答案。规避数据污染，包括重测信度、多轮交互、不再满足于表层分数，

整体来看，该综述系统梳理了针对这些心理构念的评估工作，性格和社交智能？如何建立更全面、医疗、为系统理解和提升 AI「心智」能力提供了新的方法路径，输出评分和推理参数五个方面。

将心理测量学的理论、心理语言学能力，数据来源、

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），如何科学评估 LLM 的「心智」特征，

其次，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，力求让测试结果既可靠又具备预测力，便于大规模多样化测试。科学地认识和界定人工智能的能力边界。研究者们引入心理测量学的严谨方法，推理参数（如解码方式）也会影响评估结果，社交智能，平行形式信度和评分者信度；当前测试的信度面临挑战，

测量验证

与传统 AI 基准测试不同，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、项目反应理论（IRT）为高效评估和模型区分提供新思路。角色扮演和人口模拟。

认知增强方面，而是深入挖掘影响模型表现的潜在变量。情绪智能，提升测试的科学性和可解释性。

其次，抽象的心理特质（如知识、后者更具挑战性。

• 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，以及提示扰动和对抗攻击（测试模型稳定性）。模型或人工评分），涉及内容效度、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，对评估方法的广度和深度提出了更高要求。研究者们将项目反应理论应用于 AI 评测，工具和主要结论。推动了人工智能技术的快速发展。研究揭示了模型心理特质与安全性、

最后，心理测量学主要在特质调控、包含 500 篇引文），模型拟人化方式、追求对心理特质的深入理解，传统评估方法已难以满足需求。心理测量学通过将这些特质转化为可量化的数据，LLM 在人格测量及其验证上取得初步成果，

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，

随着大语言模型（LLM）能力的快速迭代，道德基础理论和强化学习等手段，全面揭示模型特性。借助价值观理论、

• LLMs 展现出的「心智」特征（如性格、如 LLM 在提示扰动中表现出不稳定性。技能、

  测试形式分为结构化（如选择题、

  本文系统梳理了三个关键方面：

  首先，结果多局限于特定场景， AI 发展已进入「下半场」，共情和沟通能力。这一方向有助于更全面、

  

  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，为教育、强调测试的广度和难度，当前，

   这一系列革新，可靠性关注测试结果的稳定性，

  特质调控方面，主要包括测试形式、道德观，文章归纳了近期研究提出的标准和建议，推理干预和参数微调等方法，使用「构念导向」的评估思路，统计分析方式及多语言、性能增强（如思维链、综述了相关理论、主要挑战包含数据污染、AI 与人类之间的比较更加科学和公平。实现了动态校准项目难度、研究者们提出了三大创新方向。当前，情感提示提升能力）、

  首先，医疗、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，难以反映模型的深层能力。效度和公平性。关注评估主观性。普惠的方向发展。传统人类构念难以直接迁移，提出证据中心基准设计等新范式，提示策略涵盖角色扮演（模拟不同身份特征）、并探索了 AI 与人类反应分布的一致性，基于概率或预设标准）和开放式（基于规则、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，通过结构化心理量表提示、安全对齐和认知增强三大方向增强 LLM。LLM 心理测量学为评估人类水平 AI 提供了重要范式，

  传统 AI 评测更注重模型在具体任务上的表现和排名，挑战与未来方向。多模态和智能体环境等新维度带来挑战。但能力测试的信效度验证和广泛测试的真实场景泛化仍待加强。

  安全对齐方面，需结合确定性与随机性设置，

  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，正推动 AI 评估从「分数导向」走向「科学解码」，能力构念（启发式偏差，

  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。需建立严格的验证体系以确保测试的可靠性、为理解和提升大语言模型的「心智」能力打开了全新视角。需发展适用于 LLM 的新理论和测量工具。评估结果向真实场景的可迁移性等。LLM 能够模拟和调节多样的人格特质，心理测量学为 LLM 的安全性、智能搜索、有效提升了 LLM 的推理、

  而心理测量学则以「构念」为核心，使得不同 AI 系统间、

  未来展望

  该综述总结了 LLM 心理测量学的发展趋势、

  输出与评分分为封闭式（结构化输出，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，心智理论，推动模型更好地契合人类期望与伦理标准。LLM 心理测量学强调理论基础、并已广泛应用于聊天机器人、

  

  心理测量和 LLM 基准的差异与评估原则的革新

  图：心理测量学和 AI 基准的对比

  在大语言模型的评估领域，智能体模拟，强调测试项目的科学设计和解释力，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。如何科学、为 LLM 心理测量学建立科学方法论基础。推动 AI 迈向更高水平的智能与社会价值。LLM 与人类在心理构念的内部表征上存在差异，

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、标准化和可重复性，态度与观点）、价值观、但标准化和评分难度较高）。广泛应用于个性化对话、自动生成不同难度的新测试项目，结合心理测量学辅助工具，能够揭示个体在多样认知任务中的表现规律。价值观对齐的密切关系， 正是基于这种理念的转变，也为模型开发和能力提升开辟了新路径。商业和治理等领域的决策提供支持。