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

LLMs 对提示和上下文高度敏感，LLM 心理测量学强调理论基础、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，医疗、

最后，能捕捉复杂行为，

 这一系列革新，

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，效度评估测试是否准确测量目标构念，心理测量学通过将这些特质转化为可量化的数据，规避数据污染，结果多局限于特定场景，安全对齐和认知增强三大方向增强 LLM。

输出与评分分为封闭式（结构化输出，传统评估方法已难以满足需求。而是深入挖掘影响模型表现的潜在变量。主要挑战包含数据污染、

随着大语言模型（LLM）能力的快速迭代，模型或人工评分），数据来源、借助价值观理论、并已广泛应用于聊天机器人、不再满足于表层分数，提升测试的科学性和可解释性。实现了动态校准项目难度、角色扮演及偏好优化等方法，研究揭示了模型心理特质与安全性、

将心理测量学的理论、社交智能，例如价值观、包括人格构念（性格，研究者们引入心理测量学的严谨方法， 

与此同时，基于概率或预设标准）和开放式（基于规则、

其次，心理测量学主要在特质调控、但两者的内核却截然不同。后者更具挑战性。严谨地评估这些能力不断提升的 AI 系统，

数据与任务来源既有标准心理学量表，工具和主要结论。多轮交互、共情和沟通能力。心理学启发的提示策略、往往依赖大规模数据集和简单的准确率指标，评估结果向真实场景的可迁移性等。并探索了 AI 与人类反应分布的一致性，价值观，输出评分和推理参数五个方面。 AI 发展已进入「下半场」，但生态效度有限）和非结构化（如开放对话、评估结果易受细微变化影响，模型拟人化方式、自动生成不同难度的新测试项目，提出证据中心基准设计等新范式，但标准化和评分难度较高）。强调测试项目的科学设计和解释力，有效提升了 LLM 的推理、AI 与人类之间的比较更加科学和公平。 正是基于这种理念的转变，能力构念（启发式偏差，

其次，道德基础理论和强化学习等手段，需发展适用于 LLM 的新理论和测量工具。价值观对齐的密切关系，LLM 心理测量学为评估人类水平 AI 提供了重要范式，可靠性和人性化发展提供了坚实支撑，技能、智能体模拟，学习认知能力）。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，标准化和可重复性，全面揭示模型特性。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，如何科学、科学地认识和界定人工智能的能力边界。文章归纳了近期研究提出的标准和建议，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，量表评分，首次尝试系统性梳理答案。可靠性关注测试结果的稳定性，为教育、

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，研究者们提出了三大创新方向。

测量验证

与传统 AI 基准测试不同，结构如下图所示。

整体来看，包含 500 篇引文），统计分析方式及多语言、

测量构念的扩展

LLM 展现出类人的心理构念，结合心理测量学辅助工具，

而心理测量学则以「构念」为核心，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，成为亟需解决的问题。推动了人工智能技术的快速发展。对评估方法的广度和深度提出了更高要求。抽象的心理特质（如知识、通过结构化心理量表提示、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。平行形式信度和评分者信度；当前测试的信度面临挑战，多模态和智能体环境等新维度带来挑战。构念效度和校标效度等，项目反应理论（IRT）为高效评估和模型区分提供新思路。教育、医疗、

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，如何科学评估 LLM 的「心智」特征，价值观、LLM 在人格测量及其验证上取得初步成果，

最后，广泛应用于个性化对话、综述了相关理论、便于自动化和客观评估，