data-datasets
Figshare
Репозиторий, куда исследователи размещают наборы данных, иллюстрации, постеры и другие дополнительные материалы. Его API для чтения не требует ключа, и наш поиск обращается к нему напрямую; кроме того, материалы можно просматривать на сайте. Полезен, когда данные, лежащие в основе статьи, опубликованы отдельно от неё.
Чем полезен и как работает
Figshare, исследовательский репозиторий, рассчитанный на результаты, которые плохо укладываются в формат журнальной статьи: исходные наборы данных, иллюстрации, код, видео, постеры и дополнительные файлы здесь являются полноценными объектами, каждый со своим DOI и формой цитирования. Он особенно полезен, когда статья ссылается на данные или материалы, размещённые отдельно. Echo обращается к API Figshare напрямую, а на figshare.com можно также просматривать материалы по ключевым словам, типу файла или предметной рубрике.
Что внутри
Более семи миллионов открытых исследовательских объектов по состоянию на 2023 год: наборы данных, иллюстрации, медиафайлы и другие дополнительные материалы исследователей со всего мира. Коллекция продолжает расти, поскольку издательства также используют платформу для размещения приложений к статьям.
Доступ по API
https://api.figshare.com/v2/articles?search_for= (keyless read)
Что мы измерили
Наши собственные замеры, а не заявления архива. Перепроверяются периодически; у каждого показателя стоит дата.
Доступность
- Прямой запрос
- Ответил HTTP 202 318 мс
- Через датацентр-прокси
- Ответил HTTP 202 790 мс
- API, напрямую
- Ответил HTTP 200 328 мс
- API, через прокси
- Ответил HTTP 200 1 с
Вернул ли реальный поиск хоть что-то?
Вернул результаты · 10 результатов на тестовый запрос · медиана 10,9 с · нестабильно от прогона к прогону
Медленно: закладывайте долгое ожидание или вызывайте асинхронно.
Тестовый запрос: Exploration of Problem and Solution Types In Los Angeles County Smog Control 1943-1976
Покрытие на бенчмарке
Нашёл 8 из 10 тестовых объектов (80%) в кластере Наборы данных. Медиана ответа 1,1 с.
По известности объекта: 2/3 широко известных, 6/6 средних, 0/1 малоизвестных .
Пример найденного: Regularization-enhanced federated class-incremental learning with generative replay for smart edge
Доступность измерена 2026-08-22. Поиск проверен 2026-08-22. Прогон бенчмарка 2026-08-22.
Доступ
Программный доступ через API (может потребоваться ключ, см. метку API).