jsPsych插件survey-multi-choice 2.1.0版本发布:增强学术引用功能
jsPsych是一个广泛应用于心理学和行为科学研究中的开源JavaScript库,它允许研究人员在网页浏览器中创建和运行复杂的实验。该库通过模块化插件的方式提供各种实验任务,如问卷调查、反应时间测量等。
在最新的2.1.0版本中,survey-multi-choice插件进行了重要更新,主要增强了学术引用功能。这一更新体现了jsPsych对学术规范的重视,也方便研究人员在发表论文时正确引用所使用的工具。
新增功能亮点
标准化引用信息
2.1.0版本为survey-multi-choice插件添加了标准化的引用信息字段。现在,每个插件都包含完整的引用信息,支持两种主流学术引用格式:
- APA格式:这是心理学领域最常用的引用格式
- BibTeX格式:方便使用LaTeX撰写论文的研究人员
这些引用信息会自动从插件的.cff文件中提取,并在构建过程中集成到插件中。这一自动化流程确保了引用信息的准确性和一致性。
便捷的引用生成功能
jsPsych核心库新增了getCitations()函数,研究人员可以通过简单的调用获取所需的引用信息。该函数接受两个参数:
- 插件/扩展名数组:指定需要引用的插件列表
- 引用格式字符串:指定输出格式("apa"或"bibtex")
调用该函数会返回一个字符串,其中包含所有指定插件的引用信息,每个引用之间用换行符分隔。值得注意的是,输出中总是首先包含jsPsych主库的引用,确保核心依赖得到正确标注。
技术实现细节
这一更新涉及jsPsych构建系统的改进。现在,构建过程会自动扫描每个插件目录下的.cff文件(Citation File Format),提取其中的元数据并转换为标准化的引用信息,然后集成到最终构建的插件代码中。
对于开发者而言,插件模板已经默认包含citations字段,简化了新插件的开发流程。这种设计既保持了灵活性,又确保了引用信息的规范性。
对研究实践的影响
这一更新对心理学和行为科学研究具有重要意义:
- 促进学术规范:使研究人员能够轻松正确地引用所使用的实验工具
- 提高研究透明度:明确的引用信息有助于其他研究者复现实验
- 简化论文写作流程:自动生成的引用格式减少了手动整理的工作量
survey-multi-choice作为jsPsych中常用的问卷插件,这次更新将直接影响大量使用该插件进行多项选择题调查的研究项目。
总结
jsPsych survey-multi-choice插件2.1.0版本的发布,通过引入标准化的引用信息,进一步提升了这一心理学实验工具的学术严谨性。这一改进不仅方便了研究人员的工作,也体现了开源科学软件对学术规范的重视,有助于提高心理学研究的透明度和可重复性。
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