jsPsych项目发布:survey-likert插件2.1.0版本更新解析
jsPsych是一个用于构建行为实验的JavaScript库,它允许研究人员和开发者在网页浏览器中创建心理学、神经科学等领域的实验。该项目通过模块化的插件系统提供了丰富的实验组件,使实验构建变得简单高效。
本次发布的2.1.0版本是survey-likert插件的一个小版本更新,主要增加了对学术引用的支持功能。survey-likert插件是jsPsych中用于创建李克特量表(Likert scale)调查问卷的核心组件,广泛应用于心理学实验中的态度、观点等主观测量。
核心更新内容
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支持。这一更新体现了jsPsych对学术规范的重视,使研究者能够更方便地引用所使用的实验工具。
引用系统实现细节
-
引用属性集成:每个插件现在都包含一个
citations属性,存储了该组件的APA和BibTeX两种格式的引用信息。这些引用信息会自动从插件目录中的.cff文件生成,确保了引用信息的准确性和一致性。 -
引用获取功能:jsPsych核心包新增了
getCitations()函数,研究者可以通过指定插件名称数组和引用格式字符串来获取特定实验使用的所有组件的规范引用。 -
模板标准化:插件模板默认包含了引用字段,新开发的插件将自动支持引用功能,保持了整个生态系统的统一性。
技术意义与应用价值
这一更新从技术角度看实现了:
-
自动化引用生成:通过构建过程自动从.cff文件提取引用信息,减少了手动维护的工作量,同时避免了人为错误。
-
多格式支持:同时支持APA和BibTeX两种学术引用格式,满足了不同期刊和参考文献管理系统的需求。
-
模块化设计:引用系统设计为非侵入式,不影响原有实验功能,保持了jsPsych的轻量级特性。
对于研究者而言,这一改进:
- 简化了实验方法部分关于工具描述的撰写工作
- 提高了实验工具引用的准确性和规范性
- 便于追踪和评估特定插件的使用情况
使用建议
在实际研究中,建议开发者在实验代码中:
- 明确记录使用的所有jsPsych插件
- 通过
getCitations()函数生成完整的引用列表 - 将引用信息包含在实验报告或论文的方法部分
对于需要自定义插件的研究团队,现在应该:
- 为新插件创建.cff文件
- 确保构建过程能够正确提取引用信息
- 测试生成的引用是否符合学术规范
总结
jsPsych 2.1.0版本的survey-likert插件更新,通过引入标准化的引用系统,进一步提升了这一实验工具在学术研究中的规范性和可用性。这一改进不仅体现了项目团队对学术严谨性的追求,也为研究者提供了更加完善的工具支持,有助于提高心理学和相关领域研究的透明度和可重复性。
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