jsPsych插件categorize-image 2.1.0版本发布:强化心理学实验的图片分类功能
项目简介
jsPsych是一个基于JavaScript的开源库,专门用于创建在浏览器中运行的心理学实验。它提供了一系列插件,使研究人员能够轻松构建各种实验范式,从简单的反应时间任务到复杂的认知评估。其中,categorize-image插件是用于图片分类实验的重要工具,允许参与者对呈现的图片进行分类响应。
2.1.0版本核心更新
本次2.1.0版本的更新主要集中在学术引用功能的增强上,体现了jsPsych团队对学术规范性的重视。具体更新内容包括:
-
标准化引用系统:所有插件和扩展现在都包含标准化的引用信息字段,支持APA和BibTeX两种主流引用格式。
-
新增getCitations()函数:jsPsych包中新增了这个实用函数,研究人员可以通过简单的调用自动生成所需的引用信息。使用方式为传入插件/扩展名称数组作为第一个参数,引用格式字符串作为第二个参数。
-
自动化引用生成:构建过程中,系统会自动从每个插件/扩展根目录下的.cff文件中提取引用信息,并生成标准化的引用格式。
-
智能引用排序:getCitations()函数会智能地将jsPsych库本身的引用放在首位,然后按照用户指定的顺序排列其他插件/扩展的引用,各引用间用换行符分隔。
技术实现细节
在底层实现上,jsPsych团队采用了以下技术方案:
-
结构化元数据:每个插件现在都包含完整的元信息结构,其中citation字段存储了标准化的引用数据。
-
构建时处理:在项目构建阶段,系统会扫描各插件目录下的.cff文件(Citation File Format),这是一种专门用于描述软件引用的标准格式,自动转换为插件内部的引用信息。
-
动态引用生成:getCitations()函数提供了灵活的接口,支持按需生成特定格式的引用文本,方便研究人员直接复制到论文中。
对研究实践的影响
这一更新对心理学实验研究具有实际意义:
-
提升学术规范性:简化了正确引用实验工具的流程,有助于提高研究的可重复性和学术诚信。
-
节省研究人员时间:自动生成的引用格式避免了手动整理引用的繁琐工作,减少了格式错误的风险。
-
标准化实验报告:统一的引用方式使得不同研究之间更容易比较方法和工具。
使用建议
对于使用categorize-image插件的研究人员:
-
在实验代码中,可以通过jsPsych.getCitations()方便地获取所有使用插件的规范引用。
-
建议在实验方法部分明确说明使用的jsPsych版本及插件版本,以增强研究的透明度。
-
对于自行修改过的插件,应当更新.cff文件以反映修改情况。
总结
jsPsych的categorize-image插件2.1.0版本通过引入系统化的引用功能,进一步提升了这个心理学实验工具的学术严谨性。这一更新不仅体现了开发团队对研究规范的重视,也为广大心理学研究者提供了更加便捷、规范的实验工具。随着jsPsych生态系统的不断完善,它将继续为在线行为研究提供可靠的技术支持。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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