jsPsych插件@jspsych/plugin-iat-image 2.1.0版本发布解析
项目简介
jsPsych是一个基于JavaScript的开源心理学实验框架,它允许研究人员和开发者在网页浏览器中创建复杂的心理学实验。该框架采用模块化设计,通过插件系统提供各种实验任务的功能实现,大大简化了心理学实验的开发流程。
插件功能概述
@jspsych/plugin-iat-image是jsPsych框架中的一个重要插件,专门用于实现内隐联想测验(Implicit Association Test, IAT)的图像版本。IAT是一种广泛使用的心理学测量工具,用于评估个体对不同概念之间的自动联想强度。该插件通过呈现图像刺激而非文字刺激,扩展了IAT的应用范围。
2.1.0版本更新亮点
本次2.1.0版本的更新主要聚焦于学术引用功能的增强,体现了jsPsych团队对科研规范性的重视。以下是具体的更新内容:
-
标准化引用系统:所有插件和扩展现在都包含标准化的引用信息字段,支持APA和BibTeX两种主流引用格式。
-
自动化引用生成:构建过程中会自动从插件的.cff文件中提取引用信息,确保引用数据的准确性和一致性。
-
便捷引用功能:新增的getCitations()方法允许用户通过简单的函数调用生成所需的引用格式,极大简化了实验报告的撰写流程。
技术实现细节
在技术实现上,本次更新涉及以下几个关键点:
-
插件模板重构:所有插件模板现在默认包含citations字段,确保新开发的插件从一开始就支持引用功能。
-
构建流程增强:在构建过程中,系统会自动扫描插件目录下的.cff文件,提取元数据并转换为标准化的引用格式。
-
引用输出标准化:getCitations()方法总是优先输出jsPsych库本身的引用,然后按照用户指定的顺序输出各插件的引用,使用换行符分隔不同引用,确保格式清晰。
对研究实践的影响
这一更新对心理学研究实践具有多重意义:
-
提升学术规范性:研究者可以更便捷地正确引用所使用的实验工具,符合学术伦理要求。
-
简化工作流程:自动生成的引用格式减少了手动整理文献的工作量,让研究者更专注于实验设计和数据分析。
-
促进工具复用:明确的引用信息有助于其他研究者了解实验工具的具体来源,促进研究的可重复性。
使用建议
对于使用该插件的研究者,建议:
-
在实验代码中合理使用getCitations()方法,确保实验报告中包含完整的工具引用信息。
-
开发自定义插件时,遵循jsPsych的模板规范,包含必要的.cff文件,以便自动生成引用信息。
-
定期更新插件版本,以获取最新的功能改进和错误修复。
总结
@jspsych/plugin-iat-image 2.1.0版本的发布,不仅完善了IAT图像测试的功能,更重要的是通过引入标准化的引用系统,提升了心理学研究的规范性和透明度。这一更新反映了jsPsych项目对学术严谨性的承诺,也为研究者提供了更加便捷、规范的实验工具。随着心理学研究越来越重视可重复性和开放性,这样的改进无疑将促进更高质量的科学研究。
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