jsPsych插件更新:HTML键盘响应功能增强与引用规范
项目概述
jsPsych是一个基于JavaScript的开源心理学实验框架,专门为在浏览器中运行行为实验而设计。它提供了一套模块化的插件系统,使研究人员能够轻松构建复杂的实验流程。本次更新主要针对其中的HTML键盘响应插件(@jspsych/plugin-html-keyboard-response)进行了功能增强和规范化改进。
核心更新内容
1. 引用信息标准化
本次2.1.0版本最重要的改进是为所有插件和扩展添加了标准化的引用信息。现在每个插件都包含完整的引用属性(citations),支持两种主流学术引用格式:
- APA格式:心理学领域最常用的引用格式
- BibTeX格式:LaTeX文档处理系统使用的引用格式
这一改进使得研究人员在使用jsPsych进行实验时,能够更方便地引用所使用的具体插件,符合学术规范要求。
2. 新增getCitations()功能
框架新增了一个实用函数getCitations(),开发者可以通过这个函数轻松生成所需的引用信息。该函数接受两个参数:
- 插件/扩展名称数组: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")
函数会自动将jsPsych核心库的引用信息放在首位,然后按照传入的插件顺序输出各自的引用信息,每个引用之间用换行符分隔。
3. 自动化引用生成机制
在构建过程中,系统会自动从每个插件目录根部的.cff文件(如果有的话)提取引用信息,并生成标准化的引用字段。这种自动化流程确保了引用信息的准确性和一致性,同时减少了维护成本。
技术实现细节
引用数据结构
每个插件现在在其info字段中包含一个citations属性,结构如下:
citations: {
apa: "完整的APA格式引用字符串",
bibtex: "完整的BibTeX格式引用字符串"
}
构建流程改进
在项目的构建过程中,构建脚本会:
- 检查每个插件目录下是否存在.cff文件
- 如果存在,则解析该文件提取必要的引用信息
- 自动生成APA和BibTeX两种格式的引用字符串
- 将这些信息注入到插件的info字段中
getCitations()函数实现
该函数的实现逻辑包括:
- 首先添加jsPsych核心库的固定引用
- 遍历传入的插件名称数组
- 从每个插件的info.citations字段获取指定格式的引用
- 将所有引用合并为一个字符串,用换行符连接
对研究实践的影响
这一更新对心理学实验研究具有重要意义:
-
学术规范性提升:使研究者能够正确引用实验程序中使用的具体技术组件,符合开放科学和可重复研究的要求。
-
工作流程简化:自动生成的引用信息减少了研究人员手动查找和格式化引用所需的时间。
-
引用完整性:确保实验方法部分可以详细说明所有使用的技术工具,提高研究的透明度。
使用建议
对于使用HTML键盘响应插件的研究人员,建议:
- 在方法部分明确说明使用了jsPsych框架及具体插件版本
- 使用内置的getCitations()函数生成所需的引用信息
- 当发布基于jsPsych的研究时,考虑同时分享实验程序的源代码
未来展望
这一引用系统的建立为jsPsych生态系统的学术化发展奠定了基础。未来可能会进一步扩展:
- 支持更多引用格式(如MLA、Chicago等)
- 增加DOI等持久化标识符的支持
- 开发可视化工具帮助生成引用
- 与学术数据库集成实现自动引用更新
本次更新虽然看似只是添加了引用功能,但实际上提升了整个框架的学术严谨性和可用性,体现了jsPsych项目对开放科学实践的承诺。
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