AI心理测评可信吗？答案取决于系统具体让 AI 完成什么任务。标准量表自动计分、机器学习预测、开放文本分类和生成式报告使用的证据不同。把它们都称为“AI 测评准确率”，会掩盖真正需要验证的分数、推断与文字解释。
量表层验证测量内容和计分
系统使用现有心理量表时，先核对工具是否适合目标人群与用途，信度、效度、常模和分界依据是否充分。数字化页面还要验证题目顺序、反向计分、漏答处理、标准分转换和报告区间。
这一层通常可以用确定性规则完成。采购方准备已知答案，手工计算结果并与系统对照。模型参与量表选题、动态出题或短版组合时，还需要额外证明内容覆盖、测量精度和与既有版本的可比性。
算法层验证目标和错误分布
预测模型要先说明预测对象。它可能识别待人工复核的作答、估计某类需求线索，或对文本进行主题分类。训练标签怎样产生、参考标准由谁判定、目标时间窗口和使用人群，都直接影响结果含义。
评测不能只给一个总体准确率。机构需要查看漏识别、误报、查准情况、查全情况和不同阈值的变化，并按年龄、语言、设备或关键场景检查差异。样本量有限时，报告保留不确定性，避免展示过度精确的百分比。
验证样本应与正式使用数据分开，并包含系统可能遇到的普通、边界和异常情况。供应商只在开发数据上报告成绩，容易高估实际表现。采购方需要了解样本来源、排除规则、人工标签一致性和模型此前是否接触过测试内容。
某些人群样本不足时，系统可以限制使用范围或增加人工审核，不能用总体结果填补缺失证据。新学校、新岗位或新语言版本上线前，先完成小范围测试和错误复盘，再决定是否扩大。
生成解释层检查事实、边界和稳定性
生成式模型可能把结构化分数改写成自然语言，也可能从知识库检索建议。验收要核对输入分数是否被正确引用，量表用途是否被扩大，有没有生成疾病诊断、固定人格标签、虚构因果或保证效果的建议。
同一输入可以重复测试，观察关键事实与行动边界是否稳定。知识库有答案、资料冲突、资料过期和完全无答案时，系统应分别表现为引用、提示冲突、停止使用旧资料或明确无法回答。语言流畅不能替代事实核对。
可信度需要持续监测
上线评测只代表特定模型、提示、知识库和测试集。供应商更换模型、调整提示、修改报告模板或更新量表后，需要确定变更范围并重新测试。系统保留版本、审批、抽检和事件记录，严重问题可以回退或关闭功能。
真实使用中的投诉、更正、人工修改、拒答、误报和漏识别进入监测。机构建立固定抽检样本，也从新场景中补充经审核的案例。测试数据与生产数据分开管理，未经明确处理依据的个人心理资料不能直接成为模型训练材料。
系统验收还应检查证据能否回读。专业人员点击一段解释时，可以看到原始分、量表版本、算法输出、知识来源和审核状态；管理者只看到功能质量与服务状态。无法定位依据的自然语言结论，应降级为待审核内容。
判断 AI 心理测评是否可信，机构可以核对三份证据：量表是否支持本次测量，算法是否在目标人群中完成明确任务，生成解释是否忠实、克制且可复核。任何一层证据缺失，报告就应缩小相应结论。