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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112