Анализ сайта jinyoungyeo.github.io
Основное Готовность: 100%
Домен
jinyoungyeo.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://jinyoungyeo.github.io
301 MovedPermanently
https://jinyoungyeo.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 15.11.2026 4:16:05.
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
60Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 60Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 1
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 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | 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 | "6a676375-f3eb" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | CB72:3E1B:2D28595:2D8A426:6A8A36C3 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 23:54:43 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230055-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787442883.224218,VS0,VE117 |
| Vary | Accept-Encoding |
| x-fastly-request-id | a4a6da41b492891deb23b7cc33b21f9e5fb2f985 |
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
Jinyoung Yeo
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: 12, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Jinyoung Yeo — Associate Professor at Yonsei 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: 55, 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
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: 2
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 2шт. 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 | Jinyoung Yeo — Associate Professor at Yonsei University |
Оптимизация Готовность: 62%
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 2 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 300 достаточно.
Среднее число слов в абзаце 34 достаточно.
Кол-во знаков контента 23010 на странице оптимально.
Кол-во слов 3033 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> 6. Это хорошо.
На странице присутствуют заголовки <h3> 10.
Тошнота
8,66
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
42,96%
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 |
|---|---|---|
| jinyoung | 75 | 2,47% |
| dongha | 28 | 0,92% |
| language | 26 | 0,86% |
| models | 25 | 0,82% |
| seung-won | 25 | 0,82% |
| agents | 23 | 0,76% |
| reasoning | 22 | 0,73% |
| learning | 19 | 0,63% |
| knowledge | 18 | 0,59% |
| hyungjoo | 16 | 0,53% |
| beong-woo | 14 | 0,46% |
| taeyoon | 14 | 0,46% |
| dialogue | 13 | 0,43% |
| sunghwan | 13 | 0,43% |
| findings | 13 | 0,43% |
| tzu-iunn | 13 | 0,43% |
| conversational | 11 | 0,36% |
| improve | 10 | 0,33% |
| multimodal | 9 | 0,30% |
| commonsense | 9 | 0,30% |
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 76 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
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: 75
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 75 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор | Анализировать |
|---|---|---|
| yerp.yonsei.ac.kr |
신촌캠퍼스 공학원 447
|
Анализировать url |
| langlab.yonsei.ac.kr |
LangAGI Lab
|
Анализировать url |
| sngwonlim.github.io |
Learning to Comply: Workflow-Grounded Environment Generation for Training Procedurally Compliant Agents
|
Анализировать url |
| scholar.google.com |
On Training Large Language Models for Long-Horizon Tasks: An Empirical Study of Horizon Length
|
Анализировать url |
| scholar.google.com |
EMBGUARD: Constructing Hazard-Aware Guardrails for Safe Planning in Embodied Agents
|
Анализировать url |
| scholar.google.com |
PAC-BENCH: Evaluating Multi-Agent Collaboration under Privacy Constraints
|
Анализировать url |
| scholar.google.com |
Why These Documents? Explainable Generative Retrieval with Hierarchical Category Paths
|
Анализировать url |
| scholar.google.com |
MVIGER: Multi-View Variational Integration of Complementary Knowledge for Generative Recommender
|
Анализировать url |
| scholar.google.com |
Success and Failure of Human–AI Collaboration in Clinical Reasoning: An Experimental Study on Challenging Real-World Cases
|
Анализировать url |
| scholar.google.com |
Embodied Agents Meet Personalization: Investigating Challenges and Solutions Through the Lens of Memory Utilization
|
Анализировать url |
| scholar.google.com |
Prior-based Noisy Text Data Filtering: Fast and Strong Alternative For Perplexity
|
Анализировать url |
| scholar.google.com |
Quantifying Genuine Awareness in Hallucination Prediction: Disentangling Question-Side Shortcuts
|
Анализировать url |
| scholar.google.com |
AgenticShop: Benchmarking Agentic Product Curation for Personalized Web Shopping
|
Анализировать url |
| scholar.google.com |
Web-Shepherd: Advancing PRMs for Reinforcing Web Agents
|
Анализировать url |
| scholar.google.com |
Fast and Fluent Diffusion Language Models via Convolutional Decoding and Rejective Fine-tuning
|
Анализировать url |
| scholar.google.com |
ToolHaystack: Stress-Testing Tool-Augmented Language Models in Realistic Long-Term Interactions
|
Анализировать url |
| scholar.google.com |
PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents
|
Анализировать url |
| scholar.google.com |
Stop Playing the Guessing Game! Evaluating Conversational Recommender Systems via Target-free User Simulation
|
Анализировать url |
| scholar.google.com |
Can Code-Switched Texts Activate a Knowledge Switch in LLMs? A Case Study on English-Korean Code-Switching
|
Анализировать url |
| scholar.google.com |
Designing Memory-Augmented AR Agents for Spatiotemporal Reasoning in Personalized Task Assistance
|
Анализировать url |
| scholar.google.com |
Rethinking Reward Model Evaluation Through the Lens of Reward Overoptimization
|
Анализировать url |
| scholar.google.com |
LLM Meets Scene Graph: Can Large Language Models Understand and Generate Scene Graphs? A Benchmark and Empirical Study
|
Анализировать url |
| scholar.google.com |
Can You Share Your Story? Modeling Clients' Metacognition and Openness for LLM Therapist Evaluation
|
Анализировать url |
| scholar.google.com |
One Missing Piece for Open-Source Reasoning Models: A Dataset to Mitigate Cold-Starting Short CoT LLMs in RL
|
Анализировать url |
| scholar.google.com |
Age-Related Scattered Hypofluorescent Spots as an Adverse Prognostic Factor for Polypoidal Choroidal Vasculopathy
|
Анализировать url |
| scholar.google.com |
Review-driven Personalized Preference Reasoning with Large Language Models for Recommendation
|
Анализировать url |
| scholar.google.com |
Web Agents with World Models: Learning and Leveraging Environment Dynamics in Web Navigation
|
Анализировать url |
| scholar.google.com |
Towards Lifelong Dialogue Agents via Timeline-based Memory Management
|
Анализировать url |
| scholar.google.com |
Do LLMs Have Distinct and Consistent Personality? TRAIT: Personality Testset designed for LLMs with Psychometrics
|
Анализировать url |
| scholar.google.com |
Predicting Branch Retinal Vein Occlusion Development using Multimodal Deep Learning and Pre-onset Fundus Hemisection Images
|
Анализировать url |
| scholar.google.com |
Unsupervised Robust Cross-Lingual Entity Alignment via Neighbor Triple Matching with Entity and Relation Texts
|
Анализировать url |
| scholar.google.com |
Train-Attention: Meta-Learning Where to Focus in Continual Knowledge Learning
|
Анализировать url |
| scholar.google.com |
Language Models as Compilers: Simulating Pseudocode Execution Improves Algorithmic Reasoning in Language Models
|
Анализировать url |
| scholar.google.com |
COFEE-GYM: An Environment for Evaluating and Improving Natural Language Feedback on Erroneous Code
|
Анализировать url |
| scholar.google.com |
Evidence-Focused Fact Summarization for Knowledge-Augmented Zero-shot Question Answering
|
Анализировать url |
| scholar.google.com |
CACTUS: Towards Psychological Counseling Conversations using Cognitive Behavioral Theory
|
Анализировать url |
| scholar.google.com |
Unveiling Implicit Table Knowledge with Question-Then-Pinpoint Reasoner for Insightful Table Summarization
|
Анализировать url |
| scholar.google.com |
Can Large Language Models be Good Emotional Supporter? Mitigating Preference Bias on Emotional Support Conversation
|
Анализировать url |
| scholar.google.com |
VERIFINER: Verification-augmented NER via Knowledge-grounded Reasoning with Large Language Models
|
Анализировать url |
| scholar.google.com |
PEARL: A Review-driven Persona-Knowledge grounded Conversational Recommendation Dataset
|
Анализировать url |
| scholar.google.com |
Self-Consistent Reasoning-based Aspect-Sentiment Quad Prediction with Extract-then-Assign Strategy
|
Анализировать url |
| scholar.google.com |
RTSUM: Relation Triple-based Interpretable Summarization with Multi-level Salience Visualization
|
Анализировать url |
| scholar.google.com |
Commonsense-augmented Memory Construction and Management in Long-term Conversation via Context-aware Persona Refinement
|
Анализировать url |
| scholar.google.com |
Evidentiality-Aware Retrieval for Overcoming Abstractiveness in Open-Domain Question Answering
|
Анализировать url |
| scholar.google.com |
Multi-task Deep Learning for Joint Detection of Necrotizing Viral and Non-infectious Retinitis from Common Blood and Serology Test Data
|
Анализировать url |
| scholar.google.com |
Large Language Models are Clinical Reasoners: Reasoning-Aware Diagnosis Framework with Prompt-Generated Rationales
|
Анализировать url |
| scholar.google.com |
Dialogue Chain-of-Thought Distillation for Commonsense-aware Conversational Agents
|
Анализировать url |
| scholar.google.com |
Natural Language Processing to Predict Isocitrate Dehydrogenase Genotype in Diffuse Glioma using MR Radiology Reports
|
Анализировать url |
| scholar.google.com |
CoTEVer: Chain of Thought Prompting Annotation Toolkit for Explanation Verification
|
Анализировать url |
| scholar.google.com |
Evidence-Empowered Transfer Learning for Alzheimer's Disease
|
Анализировать url |
| scholar.google.com |
TUTORING: Instruction-grounded Conversational Agent for Language Learners
|
Анализировать url |
| scholar.google.com |
BotsTalk: Machine-sourced Framework for Automatic Curation of Large-scale Multi-skill Dialogue Datasets
|
Анализировать url |
| scholar.google.com |
Mind the Gap! Injecting Commonsense Knowledge for Abstractive Dialogue Summarization
|
Анализировать url |
| scholar.google.com |
Modularized Transfer Learning with Multiple Knowledge Graphs for Zero-shot Commonsense Reasoning
|
Анализировать url |
| scholar.google.com |
Dual Task Framework for Improving Persona-grounded Dialogue Dataset
|
Анализировать url |
| scholar.google.com |
TrustAL: Trustworthy Active Learning using Knowledge Distillation
|
Анализировать url |
| scholar.google.com |
DeepPDT-Net: Predicting the Outcome of Photodynamic Therapy for Chronic Central Serous Chorioretinopathy Using Two-Stage Multimodal Transfer Learning
|
Анализировать url |
| scholar.google.com |
Label and Context Augmentation for Response Selection at DSTC8
|
Анализировать url |
| scholar.google.com |
Less is More: Attention Supervision with Counterfactuals for Text Classification
|
Анализировать url |
| scholar.google.com |
Conversion Prediction from Clickstream: Modeling Market Prediction and Customer Predictability
|
Анализировать url |
| scholar.google.com |
XINA: Explainable Instance Alignment using Dominance Relationship
|
Анализировать url |
| scholar.google.com |
Learning with Limited Data for Multilingual Reading Comprehension
|
Анализировать url |
| scholar.google.com |
Soft Representation Learning for Sparse Transfer
|
Анализировать url |
| scholar.google.com |
Translations as Additional Contexts for Sentence Classification
|
Анализировать url |
| scholar.google.com |
Visual Choice of Plausible Alternatives: An Evaluation of Image-based Commonsense Causal Reasoning
|
Анализировать url |
| scholar.google.com |
Machine-translated Knowledge Transfer for Commonsense Causal Reasoning
|
Анализировать url |
| scholar.google.com |
Efficient Keyword-aware Representative Travel Route Recommendation
|
Анализировать url |
| scholar.google.com |
Multimodal KB Harvesting for Emerging Spatial Entities
|
Анализировать url |
| scholar.google.com |
Predicting Online Purchase Conversion for Retargeting
|
Анализировать url |
| scholar.google.com |
Event Grounding from Multimodal Social Network Fusion
|
Анализировать url |
| scholar.google.com |
Browsing2purchase: Online Customer Model for Sales Forecasting in an E-Commerce Site
|
Анализировать url |
| scholar.google.com |
Purchase Influence Mining: Identifying Top-k Items Attracting Purchase of Target Item
|
Анализировать url |
| scholar.google.com |
Understanding Emerging Spatial Entities
|
Анализировать url |
| scholar.google.com |
KSTR: Keyword-aware Skyline Travel Route Recommendation
|
Анализировать url |
| scholar.google.com |
Finding Influential Products on Social Domination Game
|
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
Оптимизация сайта jinyoungyeo.github.io выполнена всего на 48%. Чтобы исправить ситуацию и попасть в ТОП необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: