多项研究综述指出，用心理测量测试评估大语言模型人格的可靠性存疑：模型常同时肯定正反向题目，与人类反应存在系统偏差，轻微扰动即显著降低问答一致性。模型普遍表现为高开放性、低外向性，参数越多越开放尽责，并可通过提示动态切换人格类型。研究强调需改进测试方法、审慎解释结果并关注伦理影响。

本文综述ChatGPT在多项任务中的表现：可增强情感计算、自杀倾向检测和人格评估；在法律文本、医学问答和编程解题中表现较好，但调试能力较弱；可用于数据标注和情感分析，准确率优于词典方法。但研究也发现其常缺乏逻辑一致性，零样本下序列标注等任务仍受限，需人工检查。