jsPsych插件preload 2.1.0版本发布:增强学术引用功能
jsPsych是一个广泛应用于心理学和行为科学研究的开源JavaScript库,它允许研究人员在网页浏览器中创建和运行复杂的实验。作为jsPsych生态系统中的重要组成部分,preload插件专门用于预加载实验所需的各类资源,如图片、音频和视频等,确保实验流程的顺畅运行。
在最新发布的2.1.0版本中,preload插件迎来了一项重要更新——新增了对学术引用功能的支持。这一改进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,符合学术研究的规范要求。
学术引用功能的实现细节
2.1.0版本的核心更新是在所有插件和扩展的info字段中添加了citations属性。这个属性包含了两种常见的引用格式:
- APA格式:这是心理学领域最常用的引用格式之一
- BibTeX格式:广泛用于参考文献管理软件和LaTeX文档
为了实现这一功能,开发团队对插件模板进行了修改,现在所有新创建的插件都会默认包含citations字段。这些引用信息是在构建过程中自动从插件根目录下的.cff文件生成的。
新增的getCitations()方法
除了在插件层面添加引用信息外,jsPsych包还新增了一个实用的getCitations()函数。研究人员可以通过这个函数轻松生成所需的引用信息。使用方法非常简单:
- 第一个参数传入一个插件/扩展名称的数组
- 第二个参数指定所需的引用格式("apa"或"bibtex")
这个函数会返回一个字符串,其中包含所有请求的引用信息,每个引用之间用换行符分隔。特别值得注意的是,函数总是会首先输出jsPsych库本身的引用,确保核心依赖得到正确引用。
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:
- 标准化引用:确保研究中使用的工具得到适当引用,提高研究的可重复性和透明度
- 节省时间:自动生成引用格式,减少研究人员手动整理参考文献的时间
- 学术完整性:帮助研究人员更全面地承认他们使用的工具和资源
对于刚开始使用jsPsych的研究人员来说,这一功能也降低了入门门槛,使他们能够更轻松地遵循学术规范。
总结
jsPsych preload插件2.1.0版本的发布,通过引入学术引用功能,进一步提升了这个心理学实验工具的学术友好性。这一更新不仅体现了开发团队对研究实践的深刻理解,也展示了开源工具如何通过持续改进来更好地服务于科学社区。研究人员现在可以更便捷地引用他们使用的实验工具,从而专注于实验设计和数据分析等核心研究工作。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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