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。
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