jsPsych插件browser-check 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的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。作为jsPsych生态系统中的重要组成部分,browser-check插件专门用于检测用户的浏览器环境和设备兼容性,确保实验能在合适的条件下运行。
本次发布的browser-check插件2.1.0版本主要引入了一项重要的学术引用功能改进,这将使研究人员能够更方便地引用他们在实验中使用的插件。
新增学术引用功能
在科学研究中,正确引用使用的工具和方法至关重要。2.1.0版本为browser-check插件添加了标准化的引用信息,支持两种常见的引用格式:
- APA格式:这是心理学领域最常用的引用格式
- BibTeX格式:广泛用于学术写作和参考文献管理
这些引用信息被直接嵌入到插件的元数据中,研究人员可以通过jsPsych库提供的getCitations()函数轻松获取。这个改进不仅提高了研究的透明度,也使其他研究者能够更容易地复现实验。
引用功能使用方法
研究人员现在可以通过简单的JavaScript代码获取所需的引用信息。例如,要获取browser-check插件的APA格式引用,可以使用以下代码:
const citations = jsPsych.getCitations(['browser-check'], 'apa');
console.log(citations);
这个函数会自动将jsPsych库本身的引用信息放在首位,然后是请求的插件引用,确保所有使用到的工具都得到恰当的引用。
技术实现细节
在构建过程中,系统会自动从插件目录中的.cff文件(如果有)生成引用信息。.cff文件是一种标准化的软件引用格式文件,包含作者、标题、版本等元数据。这种自动化流程确保了引用信息的准确性和一致性。
对研究实践的影响
这一改进对心理学和行为科学研究社区具有重要意义:
- 标准化引用:确保所有使用jsPsych进行的研究都能以统一格式引用工具
- 提高可重复性:使其他研究者能够准确知道实验使用了哪些具体工具和版本
- 节省时间:研究人员不再需要手动查找和格式化引用信息
总结
jsPsych的browser-check插件2.1.0版本的发布,通过引入标准化的引用功能,进一步提升了这一心理学研究工具的学术严谨性。这一改进反映了jsPsych项目对开放科学和可重复研究的承诺,同时也为研究人员提供了更便捷的工作流程。随着心理学研究越来越重视方法和工具的透明度,这样的功能改进将有助于提高整个领域的研究质量。
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