Artikel "塞勒姆：傳說、附魔和怪物的秘密檔案" in der chinesischen Wikipedia hat 55.7 Punkte für Qualität (Stand 1. August 2024). Der Artikel enthält 41 Referenzen und 10 Abschnitte.
Seit der Erstellung des Artikels "塞勒姆：傳說、附魔和怪物的秘密檔案" wurde sein Inhalt von 1 registrierten Benutzern der chinesischen Wikipedia verfasst und von 1 registrierten Wikipedia-Benutzern in allen Sprachen bearbeitet.
Der höchste Autoreninteresse-Rang aus dem Jahr 2001:
Der höchste Beliebtheitsrang aus dem Jahr 2008:
Es gibt 1 Sprachversion für diesen Artikel in der WikiRank-Datenbank (von den berücksichtigten 55 Wikipedia-Sprachausgaben).
Die Qualitäts- und Beliebtheitsbewertung basierte auf Wikipedia-Dumps vom 1. August 2024 (einschließlich Revisionsverlauf und Seitenaufrufe für frühere Jahre).
| Bester Rang | Chinesische: Nr. 228789 02.2021 |
Global: Nr. 3845644 02.2021 |
| Bester Rang | Chinesische: Nr. 103224 09.2023 |
Global: Nr. 2672715 12.2022 |
Am 12. November 2024 lesen Internetnutzer in der mehrsprachigen Wikipedia am häufigsten Artikel zu folgenden Themen: Donald Trump, Marco Rubio, Elon Musk, Song Jae-lim, Präsidentschaftswahl in den Vereinigten Staaten 2024, Megan Fox, Melania Trump, Gladiator II, ChatGPT, Nekrolog 2024.
In der chinesischen Wikipedia waren die beliebtesten Artikel an diesem Tag: 影后 (電視劇), 宋再臨, 破·地獄, 林廷憶, 璩美鳳, 馬可·魯比歐, 永夜星河, 詹懷雲, 唐納·川普, 楊謹華.
Das Projekt dient der automatischen relativen Auswertung der Artikel in den verschiedenen Sprachversionen von Wikipedia. Derzeit ermöglicht der Dienst den Vergleich von über 44 Millionen Wikipedia-Artikeln in 55 Sprachen. Die Qualitätsbewertung von Artikeln basiert auf Wikipedia-Dumps vom August 2024. Bei der Berechnung der aktuellen Popularität und des Interesses der Autoren an Artikeln wurden Daten vom Juli 2024 berücksichtigt. Für historische Werte der Popularität und des Autoreninteresses verwendete WikiRank Daten von 2001 bis 2023... Mehr Informationen
$$Qualität=1/c∑↙{i=1}↖c nm_i-RS=1/5(46.73+41.41+16.67+83.33+90.12)$$
where:
Die Ergebnisse der Berechnungen können aufgrund gerundeter Werte normalisierter Metriken in Formeln geringfügig abweichen
