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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00