jsPsych插件fullscreen 2.1.0版本发布:心理学实验全屏控制新特性
项目简介
jsPsych是一个基于JavaScript的开源库,专门用于构建在浏览器中运行的心理学和行为学实验。它提供了丰富的插件系统,使研究人员能够轻松创建各种实验范式,如反应时间任务、问卷调查等。其中,fullscreen插件是jsPsych生态系统中用于控制浏览器全屏显示的重要组件。
fullscreen插件2.1.0版本更新内容
最新发布的fullscreen插件2.1.0版本主要引入了一项重要改进:为所有插件和扩展添加了规范的引用信息。这一变化体现了jsPsych团队对学术规范的重视,也使得研究者在撰写论文时能够更方便地引用所使用的工具。
引用信息标准化
-
新增引用属性:在每个插件和扩展的info字段中,现在包含了标准化的citation属性,支持APA和BibTeX两种引用格式。
-
自动生成机制:构建过程中,系统会自动从插件根目录下的.cff文件(如果存在)生成引用信息,确保了引用数据的准确性和一致性。
-
便捷引用功能:jsPsych包中新增了getCitations()函数,研究者只需传入插件/扩展名称数组和所需的引用格式字符串,即可快速生成规范的引用文本。
技术实现细节
引用系统架构
jsPsych团队设计了一个智能的引用生成系统:
-
数据源处理:系统优先读取.cff文件(Citation File Format),这是一种专门用于描述软件引用的标准格式。如果.cff文件不存在,则使用预设的基本引用信息。
-
格式转换引擎:内置了APA和BibTeX格式的转换逻辑,确保生成的引用符合各自格式的规范要求。
-
输出标准化:getCitations()函数总是首先输出jsPsych主库的引用,然后按照传入顺序输出各插件的引用,用换行符分隔,形成清晰可用的引用文本块。
开发者体验优化
对于插件开发者:
-
模板更新:新的插件模板默认包含citations字段,开发者只需维护.cff文件即可。
-
构建自动化:引用信息生成完全集成在构建流程中,开发者无需额外操作。
对于研究者用户:
-
一键引用:通过简单的函数调用即可获取完整引用,大大减少了手动整理参考文献的工作量。
-
格式可选:支持心理学领域最常用的两种引用格式,满足不同期刊的要求。
应用场景与最佳实践
实验开发中的应用
-
全屏控制:fullscreen插件常用于需要严格控制显示环境的实验,如视觉感知研究,确保参与者的注意力集中。
-
引用管理:在新版本中,研究者可以在实验代码中直接调用getCitations()获取所用插件的规范引用,避免遗漏。
学术写作建议
-
引用完整性:建议在方法部分同时引用jsPsych主库和所使用的特定插件,以完整描述实验工具。
-
版本明确:在引用时应注明使用的插件版本号,如本插件的2.1.0版本,确保研究的可重复性。
总结
jsPsych的fullscreen插件2.1.0版本通过引入标准化的引用系统,进一步提升了这一心理学实验工具的学术严谨性。这一改进不仅方便研究者规范引用,也反映了开源科学软件对学术诚信的重视。对于使用jsPsych进行行为实验研究的人员来说,升级到新版本将有助于提高研究工作的规范性和效率。
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