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。
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