jsPsych项目发布:@jspsych/plugin-iat-html插件v2.1.0版本解析
jsPsych是一个基于JavaScript的开源心理学实验库,它允许研究人员和开发者在网页浏览器中创建和运行心理学实验。该库提供了丰富的插件系统,使得构建复杂的实验流程变得简单高效。其中,@jspsych/plugin-iat-html插件是专门用于实现内隐联想测验(Implicit Association Test, IAT)的重要组件。
版本2.1.0主要更新内容
本次发布的2.1.0版本主要引入了一个重要的学术引用功能改进:
-
标准化引用系统:所有插件和扩展现在都包含了一个标准化的引用信息字段(citations),支持APA和BibTeX两种主流引用格式。
-
自动化引用生成:在构建过程中,系统会自动从每个插件/扩展根目录下的.cff文件中提取引用信息,并生成标准化的引用格式。
-
便捷引用获取:新增了getCitations()函数,用户只需传入插件/扩展名称数组和所需的引用格式字符串,即可一键生成规范的学术引用文本。
技术实现细节
这一改进的技术实现涉及多个层面的优化:
-
数据结构扩展:在每个插件/扩展的info字段中添加了citations属性,确保引用信息的结构化存储。
-
构建流程增强:在构建过程中添加了自动解析.cff文件的逻辑,将开源项目的元数据转化为标准学术引用格式。
-
API功能扩展:新增的getCitations()函数不仅支持单个插件的引用获取,还能批量处理多个插件的引用需求,并始终将jsPsych主库的引用置于首位。
对研究实践的意义
这一改进为心理学研究者带来了显著便利:
-
规范化引用:解决了心理学实验中插件引用不规范的问题,提升了研究的学术严谨性。
-
效率提升:自动化引用生成大大减少了研究人员手动整理引用格式的时间成本。
-
格式统一:支持APA和BibTeX两种格式,满足了不同期刊和学术场景的引用需求。
开发者使用指南
对于使用该插件的研究人员或开发者,获取引用信息变得非常简单:
// 获取单个插件的APA格式引用
const citation = jsPsych.getCitations(['iat-html'], 'apa');
// 获取多个插件的BibTeX格式引用
const multipleCitations = jsPsych.getCitations(['iat-html', 'survey'], 'bibtex');
系统会自动返回格式化后的引用字符串,每个引用之间用换行符分隔,确保输出的整洁和可读性。
总结
jsPsych 2.1.0版本的这一改进,体现了开源科学软件对学术规范的重视。通过标准化和自动化引用系统,不仅提升了研究工作的效率,也增强了心理学实验的学术可信度。这一功能对于需要发表研究成果的研究人员尤为重要,它确保了实验工具使用的透明性和可追溯性,符合开放科学的最佳实践。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00