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

随着大语言模型（LLM）能力的快速迭代，传统评估方法已难以满足需求。如何科学评估 LLM 的「心智」特征，例如价值观、性格和社交智能？如何建立更全面、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，包含 500 篇引文），首次尝试系统性梳理答案。

• 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，推动了人工智能技术的快速发展。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，并已广泛应用于聊天机器人、智能搜索、医疗、教育、科研等多个领域。AI 正逐步成为社会基础设施的重要组成部分。

与此同时，如何科学、严谨地评估这些能力不断提升的 AI 系统，成为亟需解决的问题。 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、价值观、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，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，评估结果易受细微变化影响，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，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，对评估方法的广度和深度提出了更高要求。

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、抽象的心理特质（如知识、技能、性格、价值观等）。心理测量学通过将这些特质转化为可量化的数据，为教育、医疗、商业和治理等领域的决策提供支持。

将心理测量学的理论、工具和原则引入大语言模型的评估，为系统理解和提升 AI「心智」能力提供了新的方法路径，并推动了「LLM 心理测量学（LLM Psychometrics）」这一交叉领域的发展。这一方向有助于更全面、科学地认识和界定人工智能的能力边界。

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，结构如下图所示。

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，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，但两者的内核却截然不同。

传统 AI 评测更注重模型在具体任务上的表现和排名，强调测试的广度和难度，往往依赖大规模数据集和简单的准确率指标，结果多局限于特定场景，难以反映模型的深层能力。

而心理测量学则以「构念」为核心，追求对心理特质的深入理解，强调测试项目的科学设计和解释力，采用如项目反应理论（IRT）等先进统计方法，力求让测试结果既可靠又具备预测力，能够揭示个体在多样认知任务中的表现规律。 正是基于这种理念的转变，研究者们提出了三大创新方向。

首先，使用「构念导向」的评估思路，不再满足于表层分数，而是深入挖掘影响模型表现的潜在变量。

其次，研究者们引入心理测量学的严谨方法，提出证据中心基准设计等新范式，结合心理测量学辅助工具，规避数据污染，提升测试的科学性和可解释性。

最后，研究者们将项目反应理论应用于 AI 评测，实现了动态校准项目难度、智能调整权重、自动生成不同难度的新测试项目，并探索了 AI 与人类反应分布的一致性，使得不同 AI 系统间、AI 与人类之间的比较更加科学和公平。

这一系列革新，正推动 AI 评估从「分数导向」走向「科学解码」，为理解和提升大语言模型的「心智」能力打开了全新视角。

测量构念的扩展

LLM 展现出类人的心理构念，这些构念对模型行为产生深远影响，包括人格构念（性格，价值观，道德观，态度与观点）、能力构念（启发式偏差，心智理论，情绪智能，社交智能，心理语言学能力，学习认知能力）。该综述系统梳理了针对这些心理构念的评估工作，综述了相关理论、工具和主要结论。

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，主要包括测试形式、数据来源、提示策略、输出评分和推理参数五个方面。

测试形式分为结构化（如选择题、量表评分，便于自动化和客观评估，但生态效度有限）和非结构化（如开放对话、智能体模拟，更贴近真实应用，能捕捉复杂行为，但标准化和评分难度较高）。

数据与任务来源既有标准心理学量表，也有人工定制项目以贴合实际应用，还有 AI 生成的合成项目，便于大规模多样化测试。提示策略涵盖角色扮演（模拟不同身份特征）、性能增强（如思维链、情感提示提升能力）、以及提示扰动和对抗攻击（测试模型稳定性）。

输出与评分分为封闭式（结构化输出，基于概率或预设标准）和开放式（基于规则、模型或人工评分），后者更具挑战性。推理参数（如解码方式）也会影响评估结果，需结合确定性与随机性设置，全面揭示模型特性。

测量验证

与传统 AI 基准测试不同，LLM 心理测量学强调理论基础、标准化和可重复性，需建立严格的验证体系以确保测试的可靠性、效度和公平性。

本文系统梳理了三个关键方面：

首先，可靠性关注测试结果的稳定性，包括重测信度、平行形式信度和评分者信度；当前测试的信度面临挑战，如 LLM 在提示扰动中表现出不稳定性。

其次，效度评估测试是否准确测量目标构念，涉及内容效度、构念效度和校标效度等，主要挑战包含数据污染、LLM 与人类在心理构念的内部表征上存在差异，评估结果向真实场景的可迁移性等。

最后，文章归纳了近期研究提出的标准和建议，为 LLM 心理测量学建立科学方法论基础。

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，也为模型开发和能力提升开辟了新路径。当前，心理测量学主要在特质调控、安全对齐和认知增强三大方向增强 LLM。

特质调控方面，通过结构化心理量表提示、推理干预和参数微调等方法，LLM 能够模拟和调节多样的人格特质，广泛应用于个性化对话、角色扮演和人口模拟。

安全对齐方面，研究揭示了模型心理特质与安全性、价值观对齐的密切关系，借助价值观理论、道德基础理论和强化学习等手段，推动模型更好地契合人类期望与伦理标准。

认知增强方面，心理学启发的提示策略、角色扮演及偏好优化等方法，有效提升了 LLM 的推理、共情和沟通能力。

整体来看，心理测量学为 LLM 的安全性、可靠性和人性化发展提供了坚实支撑，推动 AI 迈向更高水平的智能与社会价值。

未来展望

该综述总结了 LLM 心理测量学的发展趋势、挑战与未来方向。当前，LLM 在人格测量及其验证上取得初步成果，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。传统人类构念难以直接迁移，需发展适用于 LLM 的新理论和测量工具。

研究还需区分模型表现出的特质（perceived traits）与对齐特质（aligned traits），关注评估主观性。模型拟人化方式、统计分析方式及多语言、多轮交互、多模态和智能体环境等新维度带来挑战。项目反应理论（IRT）为高效评估和模型区分提供新思路。

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。 AI 发展已进入「下半场」，评估的重要性与挑战性日益凸显。LLM 心理测量学为评估人类水平 AI 提供了重要范式，有助于推动 AI 向更安全、可靠、普惠的方向发展。

文章来自于“机器之心”