jsPsych项目发布:视频按钮响应插件v2.1.0版本解析
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。该项目通过提供丰富的插件和工具,大大简化了心理学实验的开发流程,使得非专业程序员也能快速构建实验程序。
视频按钮响应插件v2.1.0版本更新
本次发布的视频按钮响应插件(video-button-response)版本2.1.0带来了一项重要的功能改进,主要涉及学术引用规范的增强。
新增引用功能
-
引用信息标准化:插件现在内置了标准化的引用信息,支持APA和BibTeX两种学术引用格式。这一改进使得研究人员在使用该插件时能够更方便地引用相关资源,符合学术规范要求。
-
引用生成功能:jsPsych核心包新增了getCitations()方法,用户可以通过传入插件名称数组和引用格式字符串,自动生成规范的引用文本。生成的引用会以换行符分隔,并始终将jsPsych库的引用放在首位。
-
自动化引用生成:在构建过程中,系统会自动从每个插件文件夹根目录下的.cff文件(如果存在)提取引用信息,并将其转换为标准格式嵌入到插件中。这一自动化流程确保了引用信息的准确性和一致性。
技术实现细节
-
插件模板更新:所有插件和扩展的模板现在默认包含引用信息字段,为开发者提供了标准化的引用信息存储结构。
-
引用数据存储:引用信息存储在插件的info字段中,以citations属性的形式存在,包含多种格式的引用文本。
-
构建流程集成:引用信息的提取和转换被集成到项目的构建流程中,确保每次构建都能获取最新的引用数据。
技术意义与应用价值
这一更新对于心理学研究领域具有重要意义:
-
学术规范性提升:通过内置引用功能,研究人员可以更轻松地遵循学术规范,正确引用所使用的实验工具。
-
研究可重复性增强:标准化的引用信息有助于其他研究者准确识别和复现实验程序。
-
开发效率提高:自动化引用生成减少了研究人员手动整理引用信息的工作量。
-
多格式支持:同时支持APA和BibTeX两种主流引用格式,满足不同期刊和学术场景的需求。
使用建议
对于使用该插件的研究人员:
-
在撰写论文方法部分时,建议使用getCitations()方法生成规范的引用文本。
-
如需修改或补充引用信息,可以通过编辑插件目录下的.cff文件来实现。
-
在引用多个插件时,建议按照实验中使用的重要程度排序引用顺序。
对于插件开发者:
-
新创建的插件应遵循标准模板,包含完整的引用信息字段。
-
建议为每个插件维护.cff文件,确保引用信息的准确性和完整性。
总结
jsPsych视频按钮响应插件v2.1.0版本的发布,标志着该项目在学术规范性方面迈出了重要一步。通过标准化的引用功能和自动化的工作流程,不仅提升了心理学研究的严谨性,也为研究者提供了更加便捷的工具支持。这一更新体现了jsPsych项目团队对科研社区需求的敏锐洞察和对学术规范的重视,将进一步推动网络心理学实验的发展和应用。
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