jsPsych项目发布:survey-html-form插件2.1.0版本解析
jsPsych是一个基于JavaScript的开源心理学实验框架,它允许研究者通过编写简单的JavaScript代码来创建复杂的实验流程。该框架提供了丰富的插件系统,其中survey-html-form插件是用于创建自定义HTML表单式调查问卷的重要组件。
2.1.0版本核心更新
本次2.1.0版本的更新主要围绕学术引用功能的增强展开。开发团队为所有插件和扩展添加了标准化的引用信息字段,这一改进体现了对学术规范的重视,也方便研究者在使用这些工具时能够正确引用。
新增功能详解
-
标准化引用信息字段:每个插件/扩展现在都包含一个
citations属性,该属性存储了两种常见引用格式的信息:- APA格式:适合心理学领域论文的引用格式
- BibTeX格式:适合LaTeX文档的引用格式
-
新增getCitations()方法:jsPsych主包中新增了这个实用函数,研究者可以通过以下方式使用:
- 第一个参数:插件/扩展名称数组
- 第二个参数:字符串,指定引用格式("apa"或"bibtex") 该方法会返回格式化后的引用字符串,多个引用之间用换行符分隔,并且总是首先输出jsPsych库本身的引用。
-
自动化引用生成:构建过程中,系统会自动从每个插件/扩展根目录下的.cff文件(如果有)生成引用信息,这一自动化流程确保了引用信息的准确性和一致性。
技术实现分析
这一更新的技术实现体现了良好的工程实践:
-
模块化设计:引用信息作为插件元数据的一部分,与功能代码分离,保持了代码的整洁性。
-
自动化构建流程:通过构建脚本自动处理.cff文件生成引用信息,减少了人工维护成本。
-
API设计:getCitations()函数提供了简单直观的接口,研究者无需关心底层实现细节。
-
标准化支持:同时支持心理学领域常用的APA格式和学术写作常用的BibTeX格式,满足了不同用户的需求。
对研究实践的影响
这一更新对心理学实验研究具有重要意义:
-
促进学术规范:简化了正确引用实验工具的流程,有助于提高研究的可重复性和透明度。
-
提高工作效率:研究者不再需要手动查找和格式化引用信息,节省了宝贵的研究时间。
-
增强专业性:标准化的引用信息提升了实验工具的专业形象,也方便其他研究者追溯和验证实验方法。
使用建议
对于使用survey-html-form插件的研究者,建议:
-
在实验代码中适当位置调用getCitations()函数,将生成的引用信息包含在实验数据或实验报告中。
-
定期更新插件版本以确保引用信息的准确性。
-
对于自己开发的定制插件,可以考虑添加.cff文件以便自动生成引用信息。
这一更新虽然看似简单,但体现了jsPsych项目对学术严谨性的追求,也为心理学实验研究的标准化和规范化做出了贡献。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00