jsPsych插件survey-text 2.1.0版本发布:增强学术引用功能
项目简介
jsPsych是一个基于JavaScript的开源库,专门用于构建行为实验。它提供了一系列插件,使研究人员能够轻松创建心理学、神经科学等领域的在线实验。其中survey-text插件用于创建文本输入调查问卷,是收集被试自由文本反馈的重要工具。
版本更新亮点
最新发布的survey-text插件2.1.0版本主要增强了学术引用功能,这是科研工具中非常重要的一个方面。更新内容包括:
-
标准化引用信息:现在每个插件都包含了标准化的APA和BibTeX两种格式的引用信息,方便研究人员在论文中规范引用。
-
新增getCitations()函数:jsPsych核心包中新增了这个实用函数,允许用户通过简单的调用获取特定插件或扩展的引用信息。
-
自动化引用生成:构建过程中会自动从插件的.cff文件(引用文件格式)中提取引用信息,确保引用数据的准确性和一致性。
技术实现细节
引用信息结构
每个插件现在都包含一个info字段,其中新增了citations属性。这个属性以对象形式存储了两种标准引用格式:
citations: {
apa: "标准APA格式的引用字符串",
bibtex: "BibTeX格式的引用字符串"
}
getCitations()函数使用
研究人员可以通过以下方式获取引用:
// 获取单个插件的APA格式引用
const citation = jsPsych.getCitations(['survey-text'], 'apa');
// 获取多个插件的BibTeX格式引用
const citations = jsPsych.getCitations(['survey-text', 'another-plugin'], 'bibtex');
函数会自动将jsPsych库本身的引用放在首位,然后按照传入的插件顺序排列其他引用,每个引用之间用换行符分隔。
对研究实践的意义
这一更新对科研工作者具有重要价值:
-
规范化研究:确保实验工具得到适当引用,符合学术规范。
-
提高效率:自动生成的引用格式避免了手动编写可能出现的错误。
-
透明度:明确标注使用的工具版本,提高研究的可重复性。
开发者建议
对于基于jsPsych开发实验的研究人员:
-
更新到最新版本后,可以更方便地在论文方法部分标注使用的具体插件。
-
建议在实验代码中保留getCitations()的输出,作为实验材料的一部分。
-
对于自行开发的插件,可以参照相同模式添加.cff文件,实现自动引用生成。
总结
jsPsych survey-text插件2.1.0版本的发布,体现了开源科研工具对学术规范的重视。通过标准化的引用系统和便捷的引用生成功能,进一步降低了研究人员的工作负担,提高了心理学在线实验的专业性和规范性。这一更新也将促进jsPsych生态系统内插件的规范发展,为行为科学研究提供更可靠的工具支持。
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