jsPsych鼠标追踪扩展库1.2.0版本发布解析
jsPsych作为一款广泛应用于心理学实验的JavaScript库,其最新发布的鼠标追踪扩展(extension-mouse-tracking)1.2.0版本带来了一项重要功能升级。本文将从技术实现角度深入分析这一更新,并探讨其在心理学实验研究中的应用价值。
jsPsych与鼠标追踪技术简介
jsPsych是一个基于JavaScript的开源库,专门为在网页浏览器中运行行为实验而设计。它通过模块化的插件系统支持各种实验范式,其中鼠标追踪技术是研究参与者认知过程的重要工具之一。鼠标追踪可以记录参与者在执行任务时的鼠标移动轨迹,为研究者提供比简单反应时更丰富的行为数据。
1.2.0版本核心更新
本次更新的核心内容是增加了规范的文献引用功能。具体技术实现包括:
-
标准化引用格式支持:扩展现在内置支持APA和BibTeX两种学术引用格式,满足不同出版物的要求。
-
自动化引用生成:构建过程中会自动读取项目根目录下的.cff文件(Citation File Format),将其转换为标准化的引用信息。这种设计实现了引用信息的集中管理和自动更新。
-
便捷的API接口:新增的getCitations()函数允许开发者通过简单的参数调用获取格式化后的引用文本。该函数设计为总是首先输出jsPsych主库的引用,确保基础文献不被遗漏。
技术实现细节
从技术架构角度看,这一更新体现了良好的工程实践:
-
元数据驱动开发:通过.cff文件管理项目元数据,实现了文档与代码的分离,便于维护。
-
构建时处理:引用信息在构建阶段生成,不增加运行时开销。
-
模板化设计:插件/扩展模板默认包含citations字段,确保新项目从一开始就符合学术规范。
应用价值与意义
这一更新虽然看似简单,但对学术研究有着重要意义:
-
促进规范引用:简化了研究者正确引用工具的流程,有助于提高研究的可重复性。
-
学术诚信建设:自动生成的引用信息减少了人为错误,确保贡献得到恰当认可。
-
研究透明度:标准化的引用格式使读者能更轻松地查找和验证使用的工具版本。
实际应用建议
对于使用鼠标追踪扩展的研究者:
-
升级到1.2.0版本后,可以在论文方法部分直接使用内置的引用生成功能。
-
如需自定义引用信息,可以通过修改项目根目录下的.cff文件实现。
-
建议在实验代码中保留使用的扩展版本信息,便于后期数据分析时参考。
总结
jsPsych鼠标追踪扩展1.2.0版本的发布,不仅提升了工具本身的学术规范性,也反映了开源科学软件对研究可重复性的重视。这种将学术标准融入技术实现的思路,值得其他研究工具开发者借鉴。对于心理学及相关领域的研究者而言,采用这一版本既能获得精确的鼠标追踪数据,又能便捷地满足学术出版的要求,是实验工具链升级的优选方案。
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