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。
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