jsPsych插件canvas-button-response 2.1.0版本发布:增强学术引用功能
jsPsych是一个用于构建行为实验的JavaScript框架,广泛应用于心理学、神经科学等领域的研究。它提供了丰富的插件系统,允许研究人员快速构建各种实验范式。其中canvas-button-response插件是一个重要组件,它允许在Canvas画布上呈现刺激并收集被试的按钮响应。
核心更新内容
本次2.1.0版本的canvas-button-response插件主要引入了学术引用功能的增强:
-
标准化引用信息: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。
-
自动化引用生成:在构建过程中,系统会自动从插件根目录下的.cff文件中提取引用信息,并生成标准化的引用格式。
-
便捷引用功能:jsPsych核心包新增了getCitations()方法,研究人员可以通过简单的函数调用获取指定插件集合的格式化引用字符串。
技术实现细节
引用信息存储结构
每个插件现在都包含一个info字段,其中新增了citations属性。这个属性是一个对象,包含两种标准化的引用格式:
citations: {
apa: "标准APA格式的引用字符串",
bibtex: "标准BibTeX格式的引用字符串"
}
getCitations()方法
jsPsych核心包新增的getCitations()方法提供了便捷的引用生成功能。该方法接受两个参数:
- 插件/扩展名称数组:指定需要生成引用的插件集合
- 引用格式字符串:'apa'或'bibtex',指定输出格式
方法会返回一个字符串,其中包含所有指定插件的引用信息,每个引用用换行符分隔。值得注意的是,输出中总是首先包含jsPsych核心库的引用。
构建流程改进
在构建过程中,系统会自动扫描每个插件目录下的.cff文件(Citation File Format)。如果存在,系统会解析该文件并自动生成标准化的引用信息,将其整合到最终构建的插件代码中。
对研究实践的影响
这一更新为学术研究带来了几个重要优势:
-
引用标准化:确保研究中使用的工具得到正确引用,符合学术规范。
-
效率提升:研究人员不再需要手动查找和格式化每个插件的引用信息,节省了大量时间。
-
完整性保证:自动化的引用生成减少了遗漏重要引用的可能性。
-
格式统一:支持两种主流引用格式,满足不同期刊和机构的要求。
使用示例
研究人员现在可以这样获取实验中使用插件的引用信息:
// 获取canvas-button-response插件和其他插件的APA格式引用
const citations = jsPsych.getCitations(
['canvas-button-response', 'other-plugin'],
'apa'
);
// 输出结果将包含:
// 1. jsPsych核心库引用
// 2. canvas-button-response插件引用
// 3. other-plugin插件引用
console.log(citations);
总结
jsPsych canvas-button-response插件2.1.0版本的发布,特别是其增强的引用功能,体现了该项目对学术严谨性的重视。这一更新不仅简化了研究人员的文献引用工作流程,也提升了研究成果的可追溯性和可重复性。对于使用jsPsych进行行为实验研究的人员来说,这一改进将显著提高工作效率和引用准确性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
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