jsPsych项目中的WebGazer眼动追踪扩展升级至1.2.0版本
jsPsych是一个基于JavaScript的开源心理学实验框架,它允许研究人员在浏览器中创建和运行行为实验。该框架提供了丰富的插件和扩展,支持各种心理学实验范式,包括反应时间测量、问卷调查、视觉搜索任务等。其中,WebGazer扩展是jsPsych中用于实现基于浏览器的眼动追踪功能的重要组件。
1.2.0版本主要更新内容
在最新的1.2.0版本中,WebGazer扩展引入了一项重要改进——增加了引用信息支持。这一更新使得研究人员能够更方便地引用他们在实验中使用的插件和扩展。
引用信息标准化
1.2.0版本为所有插件和扩展添加了标准化的引用信息字段,包括两种常见的引用格式:
- APA格式:心理学领域广泛使用的引用格式
- BibTeX格式:LaTeX文档中常用的引用格式
这些引用信息会自动从每个插件/扩展根目录下的.cff文件(Citation File Format)生成,并在构建过程中整合到插件中。这种自动化处理确保了引用信息的准确性和一致性。
新增getCitations()功能
jsPsych核心包中新增了一个实用函数getCitations(),它允许用户通过以下方式生成引用:
- 第一个参数传入插件/扩展名称数组
- 第二个参数指定所需的引用格式(如"apa"或"bibtex")
该函数会返回一个字符串,其中包含所有请求的引用,每个引用用换行符分隔。值得注意的是,函数总是会首先输出jsPsych库本身的引用,然后再输出其他插件/扩展的引用。
技术实现细节
引用信息集成
在构建过程中,系统会检查每个插件/扩展目录下的.cff文件。如果存在,就会自动解析该文件并生成相应的引用信息。这些信息随后被整合到插件的info字段中,作为citations属性存在。
模板更新
所有插件/扩展的模板现在默认包含citations字段,这使得新创建的插件从一开始就支持引用功能。这种设计体现了jsPsych团队对学术规范性的重视。
对研究实践的影响
这一更新对心理学和行为科学研究具有重要意义:
- 学术规范性提升:研究人员现在可以更方便地正确引用他们使用的工具,符合学术伦理要求。
- 工作流程简化:自动生成的引用信息减少了手动查找和格式化引用的工作量。
- 透明度增强:实验代码中直接包含所用工具的引用信息,提高了研究的可重复性和透明度。
使用建议
对于使用WebGazer扩展的研究人员,建议:
- 在实验代码中使用getCitations()函数生成完整的引用信息
- 将生成的引用信息包含在实验报告或论文的方法部分
- 定期更新jsPsych及其扩展,以获取最新的引用信息和其他改进
这一更新体现了jsPsych项目对开放科学和学术规范的持续承诺,同时也展示了该项目在技术实现上的成熟度。通过简化引用流程,jsPsych进一步降低了研究人员的技术门槛,使他们能够更专注于实验设计本身。
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