O artigo "庄司南海" na Wikipédia em japonês tem 1.4 pontos para qualidade (em 1º de agosto de 2024). O artigo contém 0 referências e 2 seções. O artigo também contém modelo de falha de qualidade, que reduz o índice de qualidade.
Desde a criação do artigo "庄司南海", seu conteúdo foi escrito por 1 usuários cadastrados na Wikipédia em japonês e editado por 1 usuários registrados da Wikipédia em todos os idiomas.
O artigo é citado 1 vezes na Wikipédia em japonês e citado 1 vezes em todos os idiomas.
A classificação mais alta de interesse dos autores em 2001:
A classificação de popularidade mais alta de 2008:
Há uma versão em um idioma para este artigo no banco de dados WikiRank (das 55 edições em idiomas da Wikipédia consideradas).
A avaliação de qualidade e popularidade foi baseada em despejos da Wikipedia de 1º de agosto de 2024 (incluindo histórico de revisões e visualizações de página de anos anteriores).
| Melhor Posição | japonês: Nº 486804 01.2019 |
Global: Nº 3749862 01.2019 |
| Melhor Posição | japonês: Nº 11088 02.2019 |
Global: Nº 454429 02.2019 |
Em 19 de março de 2025, na Wikipédia multilíngue, os usuários da Internet leem com mais frequência artigos sobre os seguintes tópicos: assassinato de John F. Kennedy, Adolescência, Elon Musk, Gal Gadot, John F. Kennedy, incel, Sunita Williams, mortes em 2025, ChatGPT, 19 de março.
Na Wikipédia em japonês, os artigos mais populares naquele dia foram: 友寄隆英, 佐々木朗希, 鈴木誠也, 大谷翔平, ナスD大冒険TV, 近藤正臣, 春分の日, 今永昇太, LISA (歌手), ケネディ大統領暗殺事件.
O projeto destina-se à avaliação relativa automática dos artigos nas diversas versões linguísticas da Wikipédia. No momento, o serviço permite comparar mais de 44 milhões de artigos da Wikipédia em 55 idiomas. Os índices de qualidade dos artigos são baseados em despejos da Wikipédia de agosto de 2024. Ao calcular a popularidade atual e a IA dos artigos, foram levados em consideração os dados de julho de 2024. Para valores históricos de popularidade e AI, o WikiRank usou dados de 2001 a 2023... Mais Informações
onde:
Os resultados dos cálculos podem ser ligeiramente diferentes devido aos valores arredondados das métricas normalizadas nas fórmulas
