Анализ страницы https://pradalab1.github.io/publications.html
Основное Готовность: 100%
Домен
pradalab1.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 11.11.2026 8:19:20.
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
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
~0,38сек
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 0,38сек оптимальна.
Объем документа
58Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 58Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 5
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 5 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | css/bootstrap.min.css | |
| stylesheet | css/bootstrap-responsive.min.css | |
| stylesheet | css/theme.css | |
| js | js/jquery-1.9.1.min.js | |
| js | js/bootstrap.min.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 | "688fc7d7-eb0c" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 5BCE:75BC2:39858B9:3A01C84:6A8A881A |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sun, 23 Aug 2026 05:41:46 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230043-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787463707.731400,VS0,VE125 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 5325234c49ba74ae9b2071a9cf770a1fd97c49da |
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: 32%
Title
PRADA Lab - Pulications
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 увеличить число символов в title (текущее значение мало: 24, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Research Lab, Home, Velit Aliquet Sagittis University
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: 53, 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
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.
Рекомендуем прописать канонический Url.
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=1.0
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
Не найдено
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 не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 4
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 4шт. 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 | viewport | width=device-width, initial-scale=1.0 |
| name | description | Research Lab, Home, Velit Aliquet Sagittis University |
| name | author |
Оптимизация Готовность: 52%
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 в единственном экземпляре).
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.
Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 98 достаточно.
Среднее число слов в абзаце 10 достаточно.
Кол-во знаков контента 18825 на странице оптимально.
Кол-во слов 2601 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 <h3> 13.
Тошнота
7,81
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
2,46%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 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 |
|---|---|---|
| conference | 61 | 2,35% |
| learning | 43 | 1,65% |
| jinhui | 36 | 1,38% |
| international | 31 | 1,19% |
| private | 24 | 0,92% |
| privacy | 21 | 0,81% |
| differentially | 19 | 0,73% |
| artificial | 16 | 0,62% |
| intelligence | 16 | 0,62% |
| machine | 15 | 0,58% |
| differential | 15 | 0,58% |
| information | 15 | 0,58% |
| linear | 13 | 0,50% |
| transactions | 12 | 0,46% |
| sparse | 11 | 0,42% |
| federated | 10 | 0,38% |
| junxiao | 9 | 0,35% |
| mengdi | 9 | 0,35% |
| processing | 9 | 0,35% |
| empirical | 9 | 0,35% |
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 113 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: 6
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 6 оптимально.
На странице присутствуют изображения 1.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| /index.html |
Home
|
|
| /people.html |
People
|
|
| /alumni.html |
Alumni
|
|
| /research.html |
Research
|
|
| /publications.html |
Publications
|
|
| /opening.html |
Opening Positions
|
|
Внешние ссылки
Кол-во: 94
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 94 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| arxiv.org |
Multi-hop Question Answering under Temporal Knowledge Editing
|
| arxiv.org |
MONAL: Model Autophagy Analysis for Modeling Human-AI Interactions
|
| arxiv.org |
SATO: Stable Text-to-Motion Framework
|
| arxiv.org |
Autonomous Workflow for Multimodal Fine-Grained Training Assistants Towards Mixed Reality
|
| arxiv.org |
Improving Interpretation Faithfulness for Vision Transformers
|
| arxiv.org |
Understanding Forgetting in Continual Learning with Linear Regression
|
| arxiv.org |
Closing the Gap: Achieving Global Convergence (Last Iterate) of Actor-Critic under Markovian Sampling with Neural Network Parametrization
|
| arxiv.org |
Preserving Node-level Privacy in Graph Neural Networks
|
| arxiv.org |
Antonym vs Synonym Distinction using InterlaCed Encoder NETworks (ICE-NET)
|
| arxiv.org |
Differentially Private Natural Language Models: Recent Advances and Future Direction
|
| openreview.net |
Faithful Vision-Language Interpretation via Concept Bottleneck Models
|
| arxiv.org |
Improved Analysis of Sparse Linear Regression in Local Differential Privacy Model
|
| arxiv.org |
Theoretical Analysis of Robust Overfitting for Wide DNNs: An NTK Approach
|
| arxiv.org |
An LLM can Fool Itself: A Prompt-Based Adversarial Attack
|
| vldb.org |
Privacy Amplification via Shuffling: Unified, Simplified, and Tightened
|
| dl.acm.org |
Communication Efficient and Provable Federated Unlearning
|
| arxiv.org |
GARI: Graph Attention for Relative Isomorphism of Arabic Word Embeddings
|
| arxiv.org |
GRI: Graph-based Relative Isomorphism of Word Embedding Spaces
|
| arxiv.org |
DetectLLM: Leveraging Log Rank Information for Zero-Shot Detection of Machine-Generated Text
|
| arxiv.org |
On Private and Robust Bandits
|
| proceedings.neurips.cc |
Towards Test-time Refusals via Concept Negation
|
| ebooks.iospress.nl |
Finite Sample Guarantees of Differentially Private Expectation Maximization Algorithm
|
| proceedings.mlr.press |
Differentially Private Stochastic Convex Optimization in (Non)-Euclidean Space Revisited
|
| proceedings.mlr.press |
Differentially Private Episodic Reinforcement Learning with Heavy-tailed Rewards
|
| dl.acm.org |
Investigating Trojan Attacks on Pre-trained Language Model-powered Database Middleware
|
| dl.acm.org |
Pfedprompt: Learning personalized prompt for vision-language models in federated learning
|
| openaccess.thecvf.com |
Pmr: Prototypical modal rebalance for multimodal learning
|
| usenix.org |
Inductive Graph Unlearning
|
| computer.org |
A Theory to Instruct Differentially-Private Learning via Clipping Bias Reduction
|
| dl.acm.org |
High-Speed Wireless Communications Inspired Energy Efficient Federated Learning over Mobile Devices
|
| dl.acm.org |
Practical Differentially Private and Byzantine-resilient Federated Learning
|
| proceedings.mlr.press |
Privacy-preserving Sparse Generalized Eigenvalue Problem
|
| ojs.aaai.org |
SEAT: Stable and Explainable Attention
|
| link.springer.com |
TabMentor: Detect Errors on Tabular Data with Noisy Labels
|
| link.springer.com |
Adaptive Label Cleaning for Error Detection on Tabular Data
|
| dl.acm.org |
Learning and Deducing Temporal Orders
|
| arxiv.org |
Truthful Generalized Linear Models
|
| proceedings.mlr.press |
On PAC Learning Halfspaces in Non-interactive Local Privacy Model with Public Unlabeled Data
|
| ieeexplore.ieee.org |
Differentially Private l1-norm Linear Regression with Heavy-tailed Data
|
| ijcai.org |
Private Stochastic Convex Optimization and Sparse Learning with Heavy-tailed Data Revisited
|
| arxiv.org |
Faster Rates of Private Stochastic Convex Optimization
|
| proceedings.mlr.press |
Optimal Rates of (Locally) Differentially Private Heavy-tailed Multi-Armed Bandits
|
| proceedings.mlr.press |
On Facility Location Problem in the Local Differential Privacy Model
|
| dl.acm.org |
High Dimensional Differentially Private Stochastic Optimization with Heavy-tailed Data
|
| ijcai.org |
Differentially Private Pairwise Learning Revisited
|
| proceedings.mlr.press |
Estimating Smooth GLM in Non-interactive Local Differential Privacy Model with Public Unlabeled Data
|
| ieeexplore.ieee.org |
Global Interpretation for Patient Similarity Learning
|
| link.springer.com |
Escaping Saddle Points of Empirical Risk Privately and Scalably via DP-Trust Region Method
|
| proceedings.mlr.press |
On Differentially Private Stochastic Convex Optimization with Heavy-tailed Data
|
| ojs.aaai.org |
Scalable Estimating Stochastic Linear Combination of Non-linear Regressions
|
| ojs.aaai.org |
Pairwise Learning with Differential Privacy Guarantees
|
| ojs.aaai.org |
Towards Interpretation of Pairwise Learning
|
| papers.nips.cc |
Facility Location Problem in Differential Privacy Model Revisited
|
| ijcai.org |
Lower Bound of Locally Differentially Private Sparse Covariance Matrix Estimation
|
| ijcai.org |
Principal Component Analysis in the Local Differential Privacy Model
|
| ijcai.org |
Privacy-aware Synthesizing for Crowdsourced Data
|
| proceedings.mlr.press |
Differentially Private Empirical Risk Minimization with Non-convex Loss Functions
|
| proceedings.mlr.press |
On Sparse Linear Regression in the Local Differential Privacy Model
|
| ieeexplore.ieee.org |
Estimating Sparse Covariance Matrix Under Differential Privacy via Thresholding
|
| proceedings.mlr.press |
Noninteractive Locally Private Learning of Linear Models via Polynomial Approximations
|
| ojs.aaai.org |
Differentially Private Empirical Risk Minimization with Smooth Non-convex Loss Functions: A Non-stationary View
|
| papers.nips.cc |
Empirical Risk Minimization in Non-interactive Local Differential Privacy Revisited
|
| ieeexplore.ieee.org |
Differentially Private Sparse Inverse Covariance Estimation
|
| aaai.org |
Large Scale Constrained Linear Regression Revisited: Faster Algorithms via Preconditioning
|
| papers.nips.cc |
Differentially Private Empirical Risk Minimization Revisited: Faster and More General
|
| sciencedirect.com |
Truthful and privacy-preserving generalized linear models
|
| ieeexplore.ieee.org |
Multitask Asynchronous Metalearning for Few-Shot Anomalous Node Detection in Dynamic Networks
|
| dl.acm.org |
Fair Single Index Model
|
| ieeexplore.ieee.org |
Explore and Cure: Unveiling Sample Effectiveness with Context-Aware Federated Prompt Tuning
|
| ieeexplore.ieee.org |
Rethinking Personalized Client Collaboration in Federated Learning
|
| ieeexplore.ieee.org |
Exploring Amplified Heterogeneity Arising From Heavy-Tailed Distributions in Federated Learning
|
| ieeexplore.ieee.org |
Private Over-the-Air Federated Learning at Band-Limited Edge
|
| jmlr.org |
Faster Rates of Differentially Private Stochastic Convex Optimization
|
| openreview.net |
Persistent Local Homology in Graph Learning
|
| computer.org |
A Multi-classification Division-aggregation Framework for Fake News Detection
|
| ieeexplore.ieee.org |
Near-perfect Coverage Manifold Estimation in Cellular Networks via conditional GAN
|
| sciencedirect.com |
Personalized and Privacy-preserving Federated Heterogeneous Medical Image Analysis with PPPML-HMI
|
| science.org |
PPML-Omics: a Privacy-Preserving federated Machine Learning System Protects Patients' Privacy from Omic Data
|
| sciencedirect.com |
PAC Learning Halfspaces in Non-interactive Local Differential Privacy Model with Public Unlabeled Data
|
| ieeexplore.ieee.org |
Quantizing Heavy-tailed Data in Statistical Estimation:(Near) Minimax Rates, Covariate Quantization, and Uniform Recovery
|
| computer.org |
Nearly Optimal Rates of Privacy-preserving Sparse Generalized Eigenvalue Problem
|
| ieeexplore.ieee.org |
High Dimensional Statistical Estimation under Uniformly Dithered One-bit Quantization
|
| sciencedirect.com |
Gradient Complexity and Non-stationary Views of Differentially Private Empirical Risk Minimization
|
| jmlr.org |
Generalized Linear Models in Non-interactive Local Differential Privacy with Public Data
|
| sciencedirect.com |
Inferring Ground Truth From Crowdsourced Data Under Local Attribute Differential Privacy
|
| sciencedirect.com |
Differentially Private High Dimensional Sparse Covariance Matrix Estimation
|
| ieeexplore.ieee.org |
On Sparse Linear Regression in the Local Differential Privacy Model
|
| jmlr.org |
Empirical Risk Minimization in the Non-interactive Local Model of Differential Privacy
|
| link.springer.com |
Robust High Dimensional Expectation Maximization Algorithm via Trimmed Hard Thresholding
|
| sciencedirect.com |
Tight Lower Bound of Locally Differentially Private Sparse Covariance Matrix Estimation
|
| sciencedirect.com |
Principal Component Analysis in the Local Differential Privacy Model
|
| sciencedirect.com |
Estimating Stochastic Linear Combination of Non-linear Regressions Efficiently and Scalably
|
| sciencedirect.com |
Faster Large Scale Constrained Linear Regression via Two-Step Preconditioning
|
| maps.app.goo.gl |
Show Map
|
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://pradalab1.github.io/publications.html готова к продвижению на 46%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: