Zotero Better BibTeX 中处理斜体物种名称的大小写问题
在学术写作中,特别是生物学领域,正确格式化物种学名(由属名和种加词组成)是一项基本要求。这类名称通常需要斜体显示,并且遵循特定的命名规范:属名首字母大写,种加词全小写。然而,当使用 Zotero 的 Better BibTeX 插件导出参考文献时,用户可能会遇到一个特殊问题:斜体文本中的第二个单词被自动转换为首字母大写。
问题现象
当用户在 Zotero 的标题字段中输入类似以下格式的内容时:
Kairomone response in <i>Thanasimus</i> predators to pheromone components of <i>Ips typographus</i>
通过 Better BibTeX 导出后,会得到:
title = {Kairomone Response in {{{\emph{Thanasimus}}}} Predators to Pheromone Components of {{{\emph{Ips}}}}{\emph{ Typographus}}}
可以看到,第二个斜体词对中的"typographus"被错误地转换为了首字母大写形式"Typographus",这不符合生物学命名规范。
问题根源
这一现象源于 Bib(La)TeX 对标题的默认处理方式。Bib(La)TeX 期望标题采用"标题大写"(Title Case)格式,而 Better BibTeX 在导出时会自动执行这一转换。由于"typographus"没有被特别标记为需要保持原样,因此被系统自动转换了大小写。
解决方案
方法一:使用 Zotero 的 nocase 类
最标准的解决方案是在 Zotero 中使用 <span class="nocase"> 标签包裹需要保持原样的文本:
Kairomone response in <i><span class="nocase">Thanasimus</span></i> predators to pheromone components of <i><span class="nocase">Ips typographus</span></i>
这种方法确保文本在 Zotero 内部渲染和导出时都能保持原有的大小写格式。
方法二:修改 Better BibTeX 的导出设置
用户可以在 Better BibTeX 的设置中关闭标题大小写转换功能:
- 禁用"对标题应用标题大写"选项
- 启用"通过将大写单词括在大括号中来应用大小写保护"选项
这种方法适用于不希望任何标题被自动转换的情况。
方法三:使用 Better BibTeX 的后处理脚本
对于需要批量处理大量文献的用户,Better BibTeX 提供了后处理脚本功能。可以添加一个脚本,自动保护所有斜体文本不被转换大小写:
{
"name": "Case-protect italicized text",
"target": "global",
"priority": 10,
"when": "always",
"script": "text => text.replace(/<i>(.*?)<\/i>/g, '<i><span class=\"nocase\">$1</span></i>')"
}
这个脚本会自动将所有<i>...</i>标签转换为<i><span class="nocase">...</span></i>格式。
注意事项
- 这些解决方案仅适用于通过 Better BibTeX 导出的文献
- 如果在 Word 或 LibreOffice 中使用标题大写的引用样式,仍可能导致文本被转换
- 对于生物学文献,建议统一使用方法一或方法三,确保所有物种名称格式正确
通过理解这些机制并选择合适的解决方案,研究人员可以确保他们的参考文献中物种名称的格式始终符合学术规范。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00