本文提出了一种基于项目反应理论（IRT）的评估框架，以改进自然语言处理（NLP）系统的性能评估。研究表明，IRT方法能够更全面地揭示算法性能，尤其在预测学习者能力动态变化方面表现优越。此外，研究探讨了如何通过心理测量指标提升传统评估方法的有效性，从而显著提高模型选择的潜在影响。