jsPsych项目发布:WebGazer校准插件2.1.0版本解析
jsPsych是一个用于构建行为实验的JavaScript框架,特别适合心理学、神经科学和教育研究领域。它允许研究人员在浏览器中创建复杂的实验流程,而无需深入了解底层编程细节。jsPsych通过模块化的插件系统扩展功能,其中WebGazer校准插件是用于眼动追踪研究的重要组件。
最新发布的WebGazer校准插件2.1.0版本引入了一个关键改进:标准化引用功能。这一更新体现了jsPsych团队对学术规范性的重视,也反映了现代科研软件对可重复性研究的支持。
引用功能升级详解
2.1.0版本的核心变化是为所有插件和扩展添加了标准化的引用属性。这一改进包含以下几个技术要点:
-
双格式支持:每个插件现在都内置了APA和BibTeX两种引用格式,满足了不同学术场景的需求。APA格式适合直接嵌入论文正文,而BibTeX格式则便于文献管理软件处理。
-
动态引用生成:jsPsych包新增了getCitations()函数,开发者可以通过传入插件名称数组和所需的引用格式字符串,自动生成规范的引用文本。这一功能大大简化了实验代码中引用管理的复杂度。
-
自动化构建流程:插件开发过程中,构建系统会自动从插件根目录下的.cff文件中提取引用信息,并将其转换为标准化的引用格式。这种设计既保证了引用的准确性,又减轻了开发者的维护负担。
-
智能排序输出:getCitations()函数在输出时会自动将jsPsych库本身的引用置于首位,随后按传入顺序排列其他插件的引用,用换行符分隔每个引用条目,确保输出格式清晰易读。
技术实现分析
从技术架构角度看,这一更新体现了jsPsych的几个设计理念:
-
元数据驱动开发:通过将引用信息作为插件的标准元数据,实现了功能与学术规范的解耦。开发者只需维护.cff文件,系统会自动处理格式转换。
-
函数式设计:getCitations()采用纯函数设计,输入明确(插件列表和格式要求),输出确定(格式化引用文本),没有副作用,符合现代JavaScript最佳实践。
-
扩展性考虑:引用系统设计为可扩展的,目前支持APA和BibTeX,未来可以轻松添加其他学术格式(如MLA、Chicago等)而无需修改核心逻辑。
对研究实践的影响
这一更新对实际研究工作的影响主要体现在三个方面:
-
规范化提升:研究者现在可以更方便地正确引用实验中使用的特定插件,提高研究的学术严谨性。
-
工作效率提高:自动生成引用节省了研究人员手动查找和格式化引用信息的时间,减少了出错可能性。
-
可重复性增强:标准化的引用方式使实验代码与文献引用之间的对应关系更加明确,有利于其他研究者复现实验。
升级建议
对于正在使用WebGazer校准插件的研究团队,建议考虑以下升级策略:
-
如果正在进行眼动追踪研究,特别是需要发表成果的项目,建议尽快升级以利用新的引用功能。
-
升级时应注意检查自定义校准参数是否与新版本兼容,虽然本次更新主要涉及引用系统,但作为最佳实践,任何版本变更都应进行基本的功能验证。
-
研究团队可以开始将getCitations()函数集成到实验代码的标准模板中,确保未来所有实验都能自动生成规范引用。
jsPsych通过这样的持续改进,不断强化其作为心理学和行为科学研究工具的专业性和可靠性,为研究者提供了更加完善的实验开发环境。
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