jsPsych项目发布:html-audio-response插件2.1.0版本解析
jsPsych是一个广泛应用于心理学实验的JavaScript库,它允许研究人员在网页浏览器中创建和运行行为实验。该库通过模块化的插件系统提供了丰富的实验范式支持,使心理学实验的编程变得更加高效和标准化。
本次发布的2.1.0版本是html-audio-response插件的一个重要更新。这个插件专门用于收集被试对音频刺激的响应,是听觉实验研究中的重要工具。新版本主要增加了对学术引用的支持,体现了jsPsych项目对科研规范性的重视。
核心更新内容
学术引用功能增强
2.1.0版本最显著的改进是为所有插件和扩展添加了标准化的引用信息。这一功能通过以下方式实现:
-
内置引用属性:每个插件现在都包含一个
citations属性,存储了该插件的APA和BibTeX两种格式的引用信息。 -
引用生成函数:jsPsych主包新增了
getCitations()函数,研究人员可以通过传入插件名称数组和引用格式字符串,方便地生成所需的引用列表。 -
自动化引用生成:构建过程中,系统会自动从插件目录下的.cff文件中提取引用信息,确保引用数据的准确性和一致性。
技术实现细节
引用数据存储结构
每个插件的info字段现在包含标准化的引用信息,采用以下结构:
info: {
// ...其他原有字段
citations: {
apa: "标准APA格式的引用字符串",
bibtex: "标准BibTeX格式的引用字符串"
}
}
引用生成函数使用示例
研究人员可以通过简单调用获取引用:
// 获取jsPsych主库和html-audio-response插件的APA格式引用
const citations = jsPsych.getCitations(['jspsych', 'html-audio-response'], 'apa');
该函数会自动将jsPsych主库的引用排在首位,随后是按传入顺序排列的插件引用,各引用间用换行符分隔。
对研究实践的影响
这一更新为心理学实验研究带来了几个重要优势:
-
规范化引用:确保研究中使用的工具得到恰当引用,符合学术伦理要求。
-
引用便利性:研究人员不再需要手动查找和格式化插件引用,减少了准备工作量。
-
一致性保证:自动化生成的引用格式统一,避免了人为错误。
-
透明度提升:实验代码中明确包含了所用工具的版本和引用信息,提高了研究的可重复性。
开发者建议
对于基于jsPsych进行实验开发的研究人员:
-
更新到新版本后,可以方便地在实验介绍或方法部分加入标准化的工具引用。
-
建议在实验代码中保留getCitations()的输出,作为实验材料的一部分。
-
对于自行开发的插件,可以参照相同模式添加.cff文件,实现引用信息的自动化管理。
这一更新体现了jsPsych项目对科研规范性的持续关注,使得基于浏览器的心理学实验更加符合学术出版的标准要求,同时也为研究人员提供了更完善的工作流程支持。
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