Анализ сайта clinicalbench.github.io
Основное Готовность: 100%
Домен
clinicalbench.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://clinicalbench.github.io
301 MovedPermanently
https://clinicalbench.github.io/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 04.10.2026 22:45:22.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en.
Скорость загрузки
~0,48сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,48сек оптимальна.
Объем документа
303Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 303Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 9
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 9 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | https://fonts.googleapis.com/css?family=Google+Sans|Noto+Sans|Castoro | |
| stylesheet | ./static/css/bulma.min.css | |
| stylesheet | ./static/css/bulma-carousel.min.css | |
| stylesheet | ./static/css/bulma-slider.min.css | |
| stylesheet | ./static/css/fontawesome.all.min.css | |
| stylesheet | https://cdn.jsdelivr.net/gh/jpswalsh/academicons@1/css/academicons.min.css | |
| stylesheet | ./static/css/index.css | |
| js | ./static/js/fontawesome.all.min.js | |
| js | text/javascript | https://www.statcounter.com/counter/counter.js |
Серверные заголовки
Кол-во: 18
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "6a81c7f6-4be9b" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | E880:3CA18C:27F381:2B140B:6A89D51E |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 16:58:06 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270069-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787417886.229943,VS0,VE124 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 19965fd182a183eefe811f719e1826fb101da690 |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 23%
Title
ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction? (KDD 2026)
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо уменьшить число символов в title (текущее значение: 85, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
ClinicalBench (KDD 2026) benchmarks 22 LLMs against 11 traditional ML models on three clinical prediction tasks. LLMs still cannot beat XGBoost or SVM.
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Необходимо уменьшить число символов в description (текущее значение: 151, оптимально: от 120 до 130)
Keywords
ClinicalBench, LLM, Large Language Model, clinical prediction, machine learning, healthcare AI, medical AI, XGBoost, SVM, clinical reasoning, MIMIC-III, MIMIC-IV, medical LLM, KDD 2026, benchmark
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Keywords установлены.
Канонический Url
https://clinicalbench.github.io/
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Канонический Url прописан корректно.
Robots
index, follow, max-image-preview:large, max-snippet:-1, max-video-preview:-1
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots со значениями index, follow не накладывает ограничений на индексирование и показ контента.
Адаптивность
width=device-width, initial-scale=1
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 12
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:title | ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction? |
| og:description | KDD 2026. A head-to-head benchmark of 22 LLMs and 11 traditional ML models on Length-of-Stay, Mortality and Readmission Prediction. LLMs still cannot beat traditional ML in clinical prediction. |
| og:locale | en_US |
| og:url | https://clinicalbench.github.io/ |
| og:site_name | ClinicalBench |
| og:type | article |
| og:image | https://clinicalbench.github.io/static/images/og-preview.png |
| og:image:secure_url | https://clinicalbench.github.io/static/images/og-preview.png |
| og:image:type | image/png |
| og:image:width | 1200 |
| og:image:height | 630 |
| og:image:alt | ClinicalBench: benchmarking general-purpose and medical LLMs against traditional ML models on Length-of-Stay, Mortality and Readmission Prediction. |
Все мета-теги
Кол-во: 69
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 69шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | viewport | width=device-width, initial-scale=1 |
| name | description | ClinicalBench (KDD 2026) benchmarks 22 LLMs against 11 traditional ML models on three clinical prediction tasks. LLMs still cannot beat XGBoost or SVM. |
| name | robots | index, follow, max-image-preview:large, max-snippet:-1, max-video-preview:-1 |
| name | googlebot | index, follow, max-image-preview:large, max-snippet:-1 |
| name | theme-color | #1f5f9e |
| name | author | Canyu Chen, Jian Yu, Shan Chen, Che Liu, Zhongwei Wan, Shuang Zhou, Yuan Luo, Rui Zhang, Danielle S. Bitterman, Fei Wang, Kai Shu |
| name | keywords | ClinicalBench, LLM, Large Language Model, clinical prediction, machine learning, healthcare AI, medical AI, XGBoost, SVM, clinical reasoning, MIMIC-III, MIMIC-IV, medical LLM, KDD 2026, benchmark |
| name | citation_title | ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction? |
| name | citation_author | Chen, Canyu |
| name | citation_author_institution | Northwestern University |
| name | citation_author | Yu, Jian |
| name | citation_author_institution | University of Texas at Austin |
| name | citation_author | Chen, Shan |
| name | citation_author_institution | Mass General Brigham and Boston Children's Hospital, Harvard Medical School |
| name | citation_author | Liu, Che |
| name | citation_author_institution | Imperial College London |
| name | citation_author | Wan, Zhongwei |
| name | citation_author_institution | Ohio State University |
| name | citation_author | Zhou, Shuang |
| name | citation_author_institution | Massachusetts General Hospital, Harvard Medical School |
| name | citation_author | Luo, Yuan |
| name | citation_author_institution | Northwestern University |
| name | citation_author | Zhang, Rui |
| name | citation_author_institution | University of Minnesota |
| name | citation_author | Bitterman, Danielle S. |
| name | citation_author_institution | Mass General Brigham and Boston Children's Hospital, Harvard Medical School |
| name | citation_author | Wang, Fei |
| name | citation_author_institution | Weill Cornell Medicine, Cornell University |
| name | citation_author | Shu, Kai |
| name | citation_author_institution | Emory University |
| name | citation_publication_date | 2026 |
| name | citation_conference_title | Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26) |
| name | citation_pdf_url | https://arxiv.org/pdf/2411.06469 |
| name | citation_arxiv_id | 2411.06469 |
| name | citation_abstract_html_url | https://clinicalbench.github.io/ |
| name | citation_public_url | https://clinicalbench.github.io/ |
| name | citation_language | en |
| name | twitter:card | summary_large_image |
| name | twitter:title | ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction? |
| name | twitter:description | KDD 2026. A head-to-head benchmark of 22 LLMs and 11 traditional ML models on three clinical prediction tasks. LLMs still cannot beat traditional ML. |
| name | twitter:site | @CanyuChen3 |
| name | twitter:image | https://clinicalbench.github.io/static/images/og-preview.png |
| name | twitter:image:alt | ClinicalBench: benchmarking general-purpose and medical LLMs against traditional ML models on Length-of-Stay, Mortality and Readmission Prediction. |
| name | twitter:creator | @CanyuChen3 |
| property | og:title | ClinicalBench: Can LLMs Beat Traditional ML Models in Clinical Prediction? |
| property | og:description | KDD 2026. A head-to-head benchmark of 22 LLMs and 11 traditional ML models on Length-of-Stay, Mortality and Readmission Prediction. LLMs still cannot beat traditional ML in clinical prediction. |
| property | og:locale | en_US |
| property | og:url | https://clinicalbench.github.io/ |
| property | og:site_name | ClinicalBench |
| property | og:type | article |
| property | og:image | https://clinicalbench.github.io/static/images/og-preview.png |
| property | og:image:secure_url | https://clinicalbench.github.io/static/images/og-preview.png |
| property | og:image:type | image/png |
| property | og:image:width | 1200 |
| property | og:image:height | 630 |
| property | og:image:alt | ClinicalBench: benchmarking general-purpose and medical LLMs against traditional ML models on Length-of-Stay, Mortality and Readmission Prediction. |
| property | article:published_time | 2024-11-10 |
| property | article:modified_time | 2026-08-14 |
| property | article:author | Canyu Chen |
| property | article:author | Jian Yu |
| property | article:author | Shan Chen |
| property | article:author | Che Liu |
| property | article:author | Zhongwei Wan |
| property | article:author | Shuang Zhou |
| property | article:author | Yuan Luo |
| property | article:author | Rui Zhang |
| property | article:author | Danielle S. Bitterman |
| property | article:author | Fei Wang |
| property | article:author | Kai Shu |
Оптимизация Готовность: 82%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Ошибок нет
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 11 встречаются в тексте достаточно.
Абзацев с текстом 25 достаточно.
Среднее число слов в абзаце 55 достаточно.
Кол-во знаков контента 104164 на странице оптимально.
Кол-во слов 14238 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 8. Это хорошо.
На странице присутствуют заголовки <h3> 10.
Тошнота
12,73
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
29,97%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота превышает норму 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| patient | 162 | 1,14% |
| answer | 99 | 0,70% |
| unspecified | 84 | 0,59% |
| agents | 81 | 0,57% |
| prediction | 75 | 0,53% |
| medical | 69 | 0,48% |
| antibacterials | 63 | 0,44% |
| models | 62 | 0,44% |
| traditional | 51 | 0,36% |
| clinical | 43 | 0,30% |
| hospital | 39 | 0,27% |
| patients | 38 | 0,27% |
| number | 36 | 0,25% |
| vitamin | 35 | 0,25% |
| history | 33 | 0,23% |
| readmission | 31 | 0,22% |
| bladder | 31 | 0,22% |
| length-of-stay | 30 | 0,21% |
| solution | 29 | 0,20% |
| additives | 29 | 0,20% |
Индексация Готовность: 60%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 44 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Найден корректный robots.txt
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Robots.txt настроен корректно. Размер файла: 197 байт. Загружен за: 0сек.
Проверяемая страница не запрещена в robots.txt.
Robots.txt доступен по постоянному адресу
Цепочка редиректов для файла robots.txt:
http://clinicalbench.github.io/robots.txt
301 MovedPermanently
https://clinicalbench.github.io/robots.txt
200 OK
Показать содержимое robots.txt
User-agent: *
Allow: /
# Academic indexers
User-agent: Googlebot
Allow: /
User-agent: Googlebot-Image
Allow: /
User-agent: bingbot
Allow: /
Sitemap: https://clinicalbench.github.io/sitemap.xml
Sitemap
Кол-во: 1
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt содержит карту сайта. Это прекрасно!
Robots.txt не содержит ошибок в карте сайта.
Показать карту сайта
| Url | Статус |
|---|---|
| https://clinicalbench.github.io/sitemap.xml |
|
Внутренние ссылки
Не найдено
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 0 оптимально.
Внешние ссылки
Кол-во: 44
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 44 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| kdd2026.kdd.org |
ACM SIGKDD (KDD) 2026
|
Анализировать url |
| canyuchen.com |
Canyu Chen<sup>*1</sup>
|
Анализировать url |
| openreview.net |
Jian Yu<sup>*2</sup>
|
Анализировать url |
| shanchen.dev |
Shan Chen<sup>3</sup>
|
Анализировать url |
| scholar.google.com |
Che Liu<sup>4</sup>
|
Анализировать url |
| scholar.google.com |
Zhongwei Wan<sup>5</sup>
|
Анализировать url |
| scholar.google.com |
Shuang Zhou<sup>6</sup>
|
Анализировать url |
| feinberg.northwestern.edu |
Yuan Luo<sup>1</sup>
|
Анализировать url |
| med.umn.edu |
Rui Zhang<sup>7</sup>
|
Анализировать url |
| bittermanlab.org |
Danielle S. Bitterman<sup>3</sup>
|
Анализировать url |
| wcm-wanglab.github.io |
Fei Wang<sup>8</sup>
|
Анализировать url |
| cs.emory.edu |
Kai Shu<sup>†9</sup>
|
Анализировать url |
| arxiv.org |
<span class="icon"><i class="fas fa-file-pdf"></i></span>
<span>Paper</span>
|
Анализировать url |
| arxiv.org |
<span class="icon"><i class="ai ai-arxiv"></i></span>
<span>arXiv</span>
|
Анализировать url |
| github.com |
<span class="icon"><i class="fab fa-github"></i></span>
<span>Code and Results</span>
|
Анализировать url |
| github.com |
code and evaluation results
|
Анализировать url |
| github.com |
PyHealth
|
Анализировать url |
| huggingface.co |
HuggingFace Transformers
|
Анализировать url |
| github.com |
github.com/canyuchen/ClinicalBench
|
Анализировать url |
| huggingface.co |
meta-llama/Meta-Llama-3-8B-Instruct
|
Анализировать url |
| huggingface.co |
meta-llama/Meta-Llama-3-70B-Instruct
|
Анализировать url |
| huggingface.co |
mistralai/Mistral-7B-Instruct-v0.3
|
Анализировать url |
| huggingface.co |
google/gemma-2-9b-it
|
Анализировать url |
| huggingface.co |
Qwen/Qwen2-0.5B-Instruct
|
Анализировать url |
| huggingface.co |
Qwen/Qwen2-1.5B-Instruct
|
Анализировать url |
| huggingface.co |
Qwen/Qwen2-7B-Instruct
|
Анализировать url |
| huggingface.co |
01-ai/Yi-1.5-6B-Chat
|
Анализировать url |
| huggingface.co |
01-ai/Yi-1.5-9B-Chat
|
Анализировать url |
| huggingface.co |
01-ai/Yi-1.5-34B-Chat
|
Анализировать url |
| huggingface.co |
lmsys/vicuna-7b-v1.5
|
Анализировать url |
| huggingface.co |
microsoft/Phi-3.5-mini-instruct
|
Анализировать url |
| huggingface.co |
internlm/internlm2_5-7b-chat
|
Анализировать url |
| huggingface.co |
openbmb/MiniCPM3-4B
|
Анализировать url |
| huggingface.co |
epfl-llm/meditron-7b
|
Анализировать url |
| huggingface.co |
epfl-llm/meditron-70b
|
Анализировать url |
| huggingface.co |
ProbeMedicalYonseiMAILab/medllama3-v20
|
Анализировать url |
| huggingface.co |
BioMistral/BioMistral-7B
|
Анализировать url |
| huggingface.co |
m42-health/Llama3-Med42-8B
|
Анализировать url |
| huggingface.co |
m42-health/Llama3-Med42-70B
|
Анализировать url |
| huggingface.co |
PharMolix/BioMedGPT-LM-7B
|
Анализировать url |
| huggingface.co |
internistai/base-7b-v0.2
|
Анализировать url |
| creativecommons.org |
Creative
Commons Attribution-ShareAlike 4.0 International License
|
Анализировать url |
| github.com |
source
code
|
Анализировать url |
| statcounter.com |
<img class="statcounter" src="https://c.statcounter.com/13060897/0/f7853125/1/" alt="hit counter" referrerpolicy="no-referrer-when-downgrade">
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Анализ сайта clinicalbench.github.io, слабо оптимизирован на 66%. Для хорошей оптимизации и выхода на первые места в поиске требуется:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: