大语言模型人格特质的心理测量学框架构建与塑造：一项面向负责任人工智能的验证研究

《Nature Machine Intelligence》：A psychometric framework for evaluating and shaping personality traits in large language models

本研究针对大语言模型（LLM）合成人格特质的评估与调控需求，提出了一套系统的心理测量学方法。通过设计结构化提示策略，对18个主流LLM进行人格测试（如IPIP-NEO和BFI），并首次从可靠性、收敛效度、区分效度和效标效度多维度验证其测量质量。结果表明，大规模指令微调模型（如Flan-PaLM 540B、GPT-4o）能稳定生成符合人类心理学标准的人格数据，且通过形容词与程度词组合的提示技术可精准塑造LLM的人格表达。该框架为AI对齐、安全评估及伦理治理提供了量化工具，推动了人格理论在人工智能领域的科学应用。

　　

随着大语言模型（LLM）在搜索引擎、写作助手和对话系统中的广泛应用，其生成文本时隐含的“合成人格”特征日益引起关注。这些模型通过海量人类语言数据训练，可能无意识地模仿特定人格倾向，例如过度讨好或攻击性回应，引发了对AI安全性、公平性及价值观对齐的担忧。然而，现有研究缺乏系统评估LLM人格特质可靠性与有效性的标准方法，且人格能否被主动调控仍未知。为此，谷歌DeepMind等机构的研究团队在《Nature Machine Intelligence》发表了首项针对LLM人格的端到端心理测量学验证研究。

为量化LLM的人格特质，研究团队设计了结构化提示框架，通过组合人物指令、传记描述和项目指导语，生成大量可控的测试变体。例如，提示模板可能包含“我的爱好是烘焙馅饼”等传记细节，并要求模型以1-5分评级“我重视合作胜过竞争”等陈述。该研究采用国际人格项目池-神经质外向开放性量表（IPIP-NEO）和大五人格量表（BFI）作为主要工具，同时引入11项外部效标测试（如PANAS情绪量表、BPAQ攻击性问卷），通过对18个LLM（包括PaLM、Llama 2、GPT等系列）进行52万次测试响应分析，评估其人格测量的心理测量学属性。

关键方法包括：

1. 1.
   人格测试管理：通过约束生成模式（基于对数概率的选项评分）确保项目独立性，避免上下文干扰；
2. 2.
   效度验证：采用多特质-多方法矩阵分析收敛效度与区分效度，并通过外部效标（如人格与攻击性的理论关联）检验效标效度；
3. 3.
   人格塑造技术：基于词汇假说，使用104个人格形容词（如“沉默的”标记低外向性）和程度副词（如“极度”）构建九级提示集，独立或并发调控大五特质；
4. 4.
   现实任务验证：让LLM生成社交媒体状态更新，通过Apply Magic Sauce API分析文本中的人格表达，对比问卷与行为数据的一致性。

研究结果

人格测量的可靠性与效度

• •
  可靠性：指令微调模型（如Flan-PaLM 62B）的Cronbach’s α系数达0.90以上，而基础模型（如PaLM 62B）的α值低于0.67，表明模型规模与微调策略显著影响测量稳定性。
• •
  收敛与区分效度：指令微调模型的IPIP-NEO与BFI分数相关性平均达0.80–0.90（如GPT-4o为0.90），且区分效度指标Δ≥0.40，符合心理学标准；基础模型则无显著效度证据。
• •
  效标效度：如图3所示，LLM的外向性与积极情绪呈正相关（r=0.74），神经质与消极情绪关联显著（r=0.69），与人类研究结果一致，且效应强度随模型规模提升。

人格特质的可塑性

• •
  单特质塑造：Flan-PaLM 540B在目标特质（如外向性）的九级提示下，IPIP-NEO分数中位数从1.07升至4.98（Δ=3.91），Spearman相关性ρ≥0.95；非目标特质则保持稳定。
• •
  多特质并发塑造：大型模型能同时调控所有大五特质，例如GPT-4o在“极低”与“极高”人格设定下，分数差异Δ达2.52分，而小模型（如Mistral 7B Instruct）调控能力有限（Δ<1.00）。

下游任务中的行为验证

• •
  心理测试分数与LLM生成社交媒体文本的人格评分高度相关（平均r=0.67），超过人类问卷与语言行为的一致性水平（r=0.38）。词云分析显示，高神经质提示下生成文本频繁出现“抑郁”“愤怒”等词，而低神经质提示下多为“快乐”“放松”等积极词汇，证实人格塑造对生成内容的实际影响。

结论与意义

本研究首次为LLM人格测量建立了严谨的心理测量学标准，证明大规模指令微调模型能可靠合成人类人格特征，并通过提示工程实现精准调控。这一框架为AI伦理评估提供了新工具，例如通过人格审计预测模型在交互任务中的潜在风险，或通过特质匹配优化用户体验。然而，研究也存在局限性，如测试依赖西方文化背景的人格模型，且未考虑多轮对话中的动态人格表达。未来工作需拓展跨文化人格维度和复杂交互场景的验证，以推动负责任AI的发展。