Анализ страницы https://faimi-workshop.github.io/resources/
Основное Готовность: 100%
Домен
faimi-workshop.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.
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 08.11.2026 2:28:36.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
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-US
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-US.
Скорость загрузки
~0,28сек
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 0,28сек оптимальна.
Объем документа
45Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 45Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 2
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 2 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | text/css | https://fonts.googleapis.com/css?family=Open+Sans:400,700 |
| stylesheet | /assets/style.css |
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 | "6a73579e-b5f1" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 27A4:9229B:86AAF:8F548:6A88D628 |
| x-github-edge-region | swedencentral |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Fri, 21 Aug 2026 22:50:16 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-bma-essb1270051-BMA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787352617.759261,VS0,VE119 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 299a78e6026499c7f8cf88cbb61a4489c6035633 |
CMS
Jekyll v3.10.0
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.
В мета-теге generator указано: Jekyll v3.10.0.
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: 68%
Title
FAIMI | Fairness of AI in Medical Imaging
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.
Дублей словоформ в title не найдено.
Число символов в title 42 оптимально (норма: от 40 до 45).
Description
Medical AI fairness resources
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 увеличить число символов в description (текущее значение мало: 29, минимум: 80, оптимально: от 120 до 130)
Keywords
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.
Установите мета-тег keywords!
Канонический Url
https://faimi-workshop.github.io/resources/
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
Ошибок нет
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 не указан. Страница свободна для индексации.
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: 6
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 | Fairness of AI in Medical Imaging |
| og:locale | en_US |
| og:description | Medical AI fairness resources |
| og:url | https://faimi-workshop.github.io/resources/ |
| og:site_name | FAIMI |
| og:type | website |
Все мета-теги
Кол-во: 14
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 14шт. 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 | description | Medical AI fairness resources |
| name | viewport | width=device-width, initial-scale=1 |
| name | theme-color | #157878 |
| name | generator | Jekyll v3.10.0 |
| name | author | Aasa Feragen, Andrew King, Ben Glocker, Enzo Ferrante, Eike Petersen, Melanie Ganz-Benjaminsen, Veronika Cheplygina |
| name | description | Medical AI fairness resources |
| name | twitter:card | summary |
| property | og:title | Fairness of AI in Medical Imaging |
| property | og:locale | en_US |
| property | og:description | Medical AI fairness resources |
| property | og:url | https://faimi-workshop.github.io/resources/ |
| property | og:site_name | FAIMI |
| property | og:type | website |
| property | twitter:title | Fairness of AI in Medical Imaging |
Оптимизация Готовность: 87%
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
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Абзацев с текстом 5 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Слова из title 7 встречаются в тексте достаточно.
Среднее число слов в абзаце 45 достаточно.
Кол-во знаков контента 22991 на странице оптимально.
Кол-во слов 3449 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> 7. Это хорошо.
На странице присутствуют заголовки <h3> 18.
Тошнота
8,89
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
14,21%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
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 |
|---|---|---|
| fairness | 79 | 2,29% |
| medical | 40 | 1,16% |
| learning | 33 | 0,96% |
| miccai | 25 | 0,72% |
| segmentation | 25 | 0,72% |
| workshop | 21 | 0,61% |
| machine | 21 | 0,61% |
| imaging | 20 | 0,58% |
| images | 19 | 0,55% |
| models | 14 | 0,41% |
| algorithmic | 12 | 0,35% |
| cardiac | 12 | 0,35% |
| intelligence | 11 | 0,32% |
| investigation | 11 | 0,32% |
| artificial | 10 | 0,29% |
| medicine | 10 | 0,29% |
| nature | 10 | 0,29% |
| health | 10 | 0,29% |
| datasets | 9 | 0,26% |
| dataset | 9 | 0,26% |
Индексация Готовность: 0%
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 181 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
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.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
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 не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 16
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 16 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /2026-miccai/ |
2026 MICCAI Workshop
|
|
| / |
FAIMI Home
|
|
| /resources/ |
Resources
|
|
| /newsletter/ |
Newsletter
|
|
| /2024-melba/ |
MELBA Special Issue
|
|
| /2025-online/ |
2025 Online Workshop
|
|
| /2025-miccai-workshop/ |
2025 MICCAI Workshop
|
|
| /2025-miccai-tutorial |
2025 MICCAI Tutorial
|
|
| /2025-london-symposium/ |
2025 London Symposium
|
|
| /2024-online/ |
2024 Online Workshop
|
|
| /2024-miccai/ |
2024 MICCAI Workshop
|
|
| /2024-isbi/ |
2024 ISBI Tutorial
|
|
| /2023-online/ |
2023 Online Workshop
|
|
| /2023-miccai/ |
2023 MICCAI Workshop
|
|
| /2022/ |
2022 Online Workshop
|
|
| /newsletter/privacy |
our Privacy Policy
|
|
Внешние ссылки
Кол-во: 164
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 164 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор |
|---|---|
| ieeexplore.ieee.org |
Fairness in Deep Learning: A Computational Perspective
|
| arxiv.org |
arxiv
|
| dl.acm.org |
A Survey on Bias and Fairness in Machine Learning
|
| doi.org |
arxiv
|
| doi.org |
Algorithmic Fairness in Artificial Intelligence for Medicine and Healthcare
|
| doi.org |
Addressing Fairness Issues in Deep Learning-based Medical Image Analysis: A Systematic Review
|
| doi.org |
Bias Recognition and Mitigation Strategies in Artificial Intelligence Healthcare Applications
|
| doi.org |
Algorithmic Individual Fairness and Healthcare: A Scoping Review
|
| propublica.org |
Machine Bias
|
| dl.acm.org |
Equality of Opportunity in Supervised Learning
|
| arxiv.org |
arxiv
|
| liebertpub.com |
Fair Prediction with Disparate Impact: A Study of Bias in Recidivism Prediction Instruments
|
| proceedings.mlr.press |
Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification
|
| doi.org |
Dissecting Racial Bias in an Algorithm Used to Manage the Health of Populations
|
| fairmlbook.org |
Fairness and Machine Learning: Limitations and Opportunities
|
| arxiv.org |
The Measure and Mismeasure of Fairness: A Critical Review of Fair Machine Learning
|
| doi.org |
Ensuring Fairness in Machine Learning to Advance Health Equity
|
| doi.org |
Ethical limitations of algorithmic fairness solutions in health care machine learning
|
| doi.org |
Re-imagining Algorithmic Fairness in India and Beyond
|
| cse.cuhk.edu.hk |
Assessing Bias in Medical AI
|
| doi.org |
Addressing Fairness in Artificial Intelligence for Medical Imaging
|
| doi.org |
The Path Toward Equal Performance in Medical Machine Learning
|
| doi.org |
What’s fair is… fair? Presenting JustEFAB, an ethical framework for operationalizing medical ethics and social justice in the integration of clinical machine learning: JustEFAB
|
| doi.org |
Algorithmic Encoding of Protected Characteristics in Chest X-ray Disease Detection Models
|
| doi.org |
Where, why, and how is bias learned in medical image analysis models? A study of bias encoding within convolutional networks using synthetic data
|
| doi.org |
Slicing Through Bias: Explaining Performance Gaps in Medical Image Analysis Using Slice Discovery Methods
|
| doi.org |
An Investigation Into the Causes of Race Bias in AI-based Cine CMR Segmentation
|
| doi.org |
Fairness in Cardiac MR Image Analysis: An Investigation of Bias Due to Data Imbalance in Deep Learning Based Segmentation
|
| proceedings.mlr.press |
Improving the Fairness of Chest X-ray Classifiers
|
| doi.org |
MEDFAIR: Benchmarking Fairness for Medical Imaging
|
| doi.org |
Understanding-informed Bias Mitigation for Fair CMR Segmentation
|
| doi.org |
Shortcut Learning in Deep Neural Networks
|
| doi.org |
Radiology “Forensics”: Determination of Age and Sex from Chest Radiographs Using Deep Learning
|
| doi.org |
AI Recognition of Patient Race in Medical Imaging: A Modelling Study
|
| doi.org |
Algorithmic Encoding of Protected Characteristics in Chest X-ray Disease Detection Models
|
| doi.org |
Detecting Shortcut Learning for Fair Medical AI Using Shortcut Testing
|
| doi.org |
Implications of Predicting Race Variables from Medical Images
|
| proceedings.mlr.press |
Improving the Fairness of Chest X-ray Classifiers
|
| doi.org |
An Investigation Into the Impact of Deep Learning Model Choice on Sex and Race Bias in Cardiac MR Segmentation
|
| doi.org |
MEDFAIR: Benchmarking Fairness for Medical Imaging
|
| doi.org |
Gender Imbalance in Medical Imaging Datasets Produces Biased Classifiers for Computer-aided Diagnosis
|
| doi.org |
Underdiagnosis Bias of Artificial Intelligence Algorithms Applied to Chest Radiographs in Under-served Patient Populations
|
| proceedings.mlr.press |
Improving the Fairness of Chest X-ray Classifiers
|
| doi.org |
Improving Model Fairness in Image-based Computer-aided Diagnosis
|
| doi.org |
Risk of Bias in Chest Radiography Deep Learning Foundation Models
|
| link.springer.com |
Unveiling Fairness Biases in Deep Learning-Based Brain MRI Reconstruction
|
| doi.org |
Risk of Training Diagnostic Algorithms on Data with Demographic Bias
|
| doi.org |
Fairness of Classifiers Across Skin Tones in Dermatology
|
| doi.org |
Disparities in Dermatology AI Performance on a Diverse, Curated Clinical Image Set
|
| doi.org |
CIRCLe: Color Invariant Representation Learning for Unbiased Classification of Skin Lesions
|
| doi.org |
Understanding skin color bias in deep learning-based skin lesion segmentation
|
| doi.org |
Rethinking Fairness in Medical Imaging: Maximizing Group-Specific Performance with Application to Skin Disease Diagnosis
|
| doi.org |
Feature Robustness and Sex Differences in Medical Imaging: A Case Study in MRI-Based Alzheimer’s Disease Detection
|
| doi.org |
A Study of Demographic Bias in CNN-Based Brain MR Segmentation
|
| doi.org |
Bias in Machine Learning Models can be Significantly Mitigated by Careful Training: Evidence from Neuroimaging Studies
|
| doi.org |
Higher Performance for Women than Men in MRI-based Alzheimer’s Disease Detection
|
| doi.org |
Fairness in Cardiac MR Image Analysis: An Investigation of Bias Due to Data Imbalance in Deep Learning Based Segmentation
|
| doi.org |
Fairness in Cardiac Magnetic Resonance Imaging: Assessing Sex and Racial Bias in Deep Learning-Based Segmentation
|
| doi.org |
A Systematic Study of Race and Sex Bias in CNN-Based Cardiac MR Segmentation
|
| doi.org |
An Investigation Into the Impact of Deep Learning Model Choice on Sex and Race Bias in Cardiac MR Segmentation
|
| doi.org |
An Investigation Into the Causes of Race Bias in AI-based Cine CMR Segmentation
|
| doi.org |
Understanding-informed Bias Mitigation for Fair CMR Segmentation
|
| doi.org |
Addressing Artificial Intelligence Bias in Retinal Diagnostics
|
| doi.org |
Improving Model Fairness in Image-based Computer-aided Diagnosis
|
| doi.org |
Demographic Bias in Misdiagnosis by Computational Pathology Models
|
| doi.org |
An Investigation Into Race Bias in Random Forest Models Based on Breast DCE-MRI Derived Radiomics Features
|
| doi.org |
Fairness in Cardiac MR Image Analysis: An Investigation of Bias Due to Data Imbalance in Deep Learning Based Segmentation
|
| doi.org |
Fairness in Cardiac Magnetic Resonance Imaging: Assessing Sex and Racial Bias in Deep Learning-Based Segmentation
|
| doi.org |
A Systematic Study of Race and Sex Bias in CNN-Based Cardiac MR Segmentation
|
| doi.org |
An Investigation Into the Impact of Deep Learning Model Choice on Sex and Race Bias in Cardiac MR Segmentation
|
| doi.org |
A Study of Demographic Bias in CNN-Based Brain MR Segmentation
|
| link.springer.com |
Unsupervised Bias Discovery in Medical Image Segmentation
|
| arxiv.org |
Harvard FairSeg: A Large-Scale Medical Image Segmentation Dataset for Fairness Learning Using Segment Anything Model with Fair Error-Bound Scaling
|
| doi.org |
Understanding Skin Color Bias in Deep Learning-based Skin Lesion Segmentation
|
| doi.org |
Fair AI-powered Orthopedic Image Segmentation: Addressing Bias and Promoting Equitable Healthcare
|
| doi.org |
An Investigation Into the Causes of Race Bias in AI-based Cine CMR Segmentation
|
| doi.org |
An Investigation of Race Bias in Deep Learning-based Segmentation of Prostate MRI Images
|
| doi.org |
Understanding-informed Bias Mitigation for Fair CMR Segmentation
|
| dx.doi.org |
The Problem of Infra-Marginality in Outcome Tests for Discrimination
|
| proceedings.mlr.press |
Preventing Fairness Gerrymandering: Auditing and Learning for Subgroup Fairness
|
| papers.nips.cc |
Unlocking Fairness: a Trade-off Revisited
|
| proceedings.mlr.press |
Is There a Trade-Off Between Fairness and Accuracy? A Perspective Using Mismatched Hypothesis Testing
|
| arxiv.org |
On Testing and Comparing Fair classifiers under Data Bias
|
| drops.dagstuhl.de |
A Possibility in Algorithmic Fairness: Can Calibration and Equal Error Rates be Reconciled?
|
| dx.doi.org |
Bias Preservation in Machine Learning: The Legality of Fairness Metrics Under EU Non-Discrimination Law
|
| ssrn.com |
The Unfairness of Fair Machine Learning: Levelling Down and Strict Egalitarianism by Default
|
| doi.org |
Confounding Factors Need to be Accounted for in Assessing Bias by Machine Learning Algorithms
|
| doi.org |
Diagnosing Failures of Fairness Transfer Across Distribution Shift in Real-world Medical Settings
|
| jmlr.org |
Inherent Tradeoffs in Learning Fair Representations
|
| doi.org |
Towards Unraveling Calibration Biases in Medical Image Analysis
|
| doi.org |
On (Assessing) the Fairness of Risk Score Models
|
| doi.org |
No Fair Lunch: A Causal Perspective on Dataset Bias in Machine Learning for Medical Imaging
|
| ai-fairness-360.org |
AI Fairness 360
|
| doi.org |
Bellamy et al (2018)
|
| fairlearn.org |
FairLearn
|
| microsoft.com |
Bird et al (2020)
|
| datasciencepublicpolicy.org |
Aequitas
|
| doi.org |
Saleiro et al (2018)
|
| github.com |
MEDFAIR
|
| doi.org |
Zong et al (2023)
|
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
Страница https://faimi-workshop.github.io/resources/ готова к продвижению на 64%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: