Original Title: Analysis of Growth Models of Japanese Quails (Coturnix Coturnix japonica) in Nigeria
Source: li01.tci-thaijo.org
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការវិភាគលើម៉ូដែលកំណើនរបស់សត្វក្រួចជប៉ុន (Coturnix coturnix japonica) នៅប្រទេសនីហ្សេរីយ៉ា

ចំណងជើងដើម៖ Analysis of Growth Models of Japanese Quails (Coturnix Coturnix japonica) in Nigeria

អ្នកនិពន្ធ៖ Olaniyan Adewale Adedeji (Department of Animal Science, University of Ibadan), Akinyemi Mabel Omolara, Osaiyuwu Henry Osamede, Salako Adebowale Emmanuel

ឆ្នាំបោះពុម្ព៖ 2017 (Thai Journal of Agricultural Science)

វិស័យសិក្សា៖ Animal Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះមានគោលបំណងប្រៀបធៀបប៉ារ៉ាម៉ែត្រនៃខ្សែកោងកំណើន និងកំណត់ម៉ូដែលគណិតវិទ្យាមិនលីនេអ៊ែរដែលល្អបំផុតសម្រាប់ការតាមដានការលូតលាស់របស់សត្វក្រួចជប៉ុន (Coturnix coturnix japonica) ដើម្បីជួយដល់កម្មវិធីបង្កាត់ពូជពាណិជ្ជកម្ម។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការថ្លឹងទម្ងន់សត្វក្រួចជប៉ុនចំនួន ២៣៥ ក្បាលជារៀងរាល់សប្តាហ៍ពីពេលញាស់រហូតដល់អាយុ ២៥ សប្តាហ៍ រួចយកទិន្នន័យមធ្យមភាគទៅផ្ទៀងផ្ទាត់ជាមួយម៉ូដែលគណិតវិទ្យា។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Von Bertalanffy Model
ម៉ូដែល Von Bertalanffy (ម៉ូដែលកំណើនមិនលីនេអ៊ែរ)		 មានភាពសុក្រឹតខ្ពស់បំផុតក្នុងការទស្សន៍ទាយទម្ងន់សត្វក្រួចនៅដំណាក់កាលចាស់ និងមានកំហុសស្តង់ដារទាបបំផុត។ អាចមានភាពស្មុគស្មាញក្នុងការគណនាប៉ារ៉ាម៉ែត្រដំបូងជាងម៉ូដែលលីនេអ៊ែរធម្មតា។ ទទួលបានតម្លៃល្អបំផុត: R² = 0.980, MSE = 49.731, និង AIC = 100.470។
Gompertz Model
ម៉ូដែល Gompertz		 មានភាពស័ក្តិសមល្អគួរសម និងត្រូវបានគេប្រើប្រាស់ជាទូទៅក្នុងការសិក្សាពីកំណើនសត្វស្លាប (Poultry) ផ្សេងៗ។ ទោះបីជាល្អ ប៉ុន្តែនៅមានកំហុសមធ្យមការ៉េ (MSE) និងតម្លៃ AIC ខ្ពស់ជាងម៉ូដែល Von Bertalanffy បន្តិចនៅក្នុងការសិក្សានេះ។ ទទួលបានតម្លៃល្អលំដាប់ទី២: R² = 0.979, MSE = 51.363, និង AIC = 101.277។
Logistic Model
ម៉ូដែល Logistic		 មានកំហុសព្យាករណ៍ភាគរយ (PCFE) ទាបបំផុត (11.523) ធៀបនឹងម៉ូដែលផ្សេងៗ។ មានកំហុសមធ្យមការ៉េ (MSE) និងតម្លៃ AIC ខ្ពស់ជាងគេ ដែលបង្ហាញពីភាពស័ក្តិសមទាបជាងគេសម្រាប់ការពន្យល់ពីទិន្នន័យកំណើនសរុប។ ទទួលបានតម្លៃអន់ជាងគេសម្រាប់ភាពស័ក្តិសមទូទៅ: R² = 0.973, MSE = 65.744, និង AIC = 107.449។
Brody Model
ម៉ូដែល Brody		 មានសមត្ថភាពអាចប្រើដើម្បីពិពណ៌នាពីទិន្នន័យកំណើនទូទៅបានក្នុងកម្រិតមួយដែលអាចទទួលយកបាន (R² > 0.97)។ មិនមានចំណុចផ្លាស់ប្តូរ (Inflection point) តាមធម្មជាតិ និងមាននិន្នាការប៉ាន់ស្មានទម្ងន់ពេលពេញវ័យខ្ពស់ពេក (Overestimation)។ ទទួលបានតម្លៃ R² = 0.973, MSE = 64.685 និងមានកំហុស Residual Standard Deviation (RSD) ខ្ពស់ជាងគេគឺ 8.979។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់ពីទំហំថវិកាចំណាយលម្អិតនោះទេ ប៉ុន្តែវាទាមទារនូវឧបករណ៍វាស់វែងសាមញ្ញ និងកម្មវិធីកុំព្យូទ័រសម្រាប់វិភាគទិន្នន័យស្ថិតិ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Ibadan ប្រទេសនីហ្សេរីយ៉ា ដោយប្រើប្រាស់សត្វក្រួចជប៉ុន (Coturnix coturnix japonica) ដែលចិញ្ចឹមក្នុងទ្រុងក្រោមអាកាសធាតុត្រូពិច។ ដោយសារប្រទេសកម្ពុជាមានអាកាសធាតុត្រូពិចស្រដៀងគ្នានឹងនីហ្សេរីយ៉ា ទិន្នន័យ និងម៉ូដែលនេះអាចមានភាពពាក់ព័ន្ធខ្ពស់សម្រាប់ការអនុវត្តនៅកម្ពុជា ប៉ុន្តែលទ្ធផលអាចមានការប្រែប្រួលអាស្រ័យលើពូជសត្វកាត់ក្នុងស្រុក ប្រភេទចំណី និងការគ្រប់គ្រងសីតុណ្ហភាពជាក់ស្តែង។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការប្រើប្រាស់ម៉ូដែលកំណើនមិនលីនេអ៊ែរនេះមានសក្តានុពល និងសារៈសំខាន់ខ្លាំងសម្រាប់វិស័យកសិកម្ម និងការចិញ្ចឹមសត្វនៅប្រទេសកម្ពុជា។

ជារួម ការអនុវត្តម៉ូដែលព្យាករណ៍កំណើនទាំងនេះនឹងជួយកសិករ និងអ្នកស្រាវជ្រាវកម្ពុជាក្នុងការបង្កើនផលិតភាព កាត់បន្ថយការខ្ជះខ្ជាយចំណី និងបង្កើនប្រាក់ចំណេញតាមរយៈការធ្វើសេចក្តីសម្រេចចិត្តដោយផ្អែកលើទិន្នន័យច្បាស់លាស់។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. ជំហានទី១៖ សិក្សាមូលដ្ឋានគ្រឹះនៃម៉ូដែលកំណើន (Learn Growth Models): និស្សិតត្រូវស្វែងយល់ពីសមីការគណិតវិទ្យាមិនលីនេអ៊ែរ (Non-linear models) ដូចជា Von Bertalanffy, Gompertz, និង Logistic ដោយអាចសិក្សាស្រាវជ្រាវបន្ថែមតាមរយៈវគ្គសិក្សាលើ Coursera ឬការបង្រៀនលើ YouTube ផ្នែក Biostatistics។
  2. ជំហានទី២៖ ការប្រមូលទិន្នន័យជាក់ស្តែង (Practical Data Collection): ចុះកម្មសិក្សា ឬបង្កើតគម្រោងស្រាវជ្រាវនៅកសិដ្ឋានចិញ្ចឹមសត្វក្រួច ឬមាន់ក្នុងស្រុក ដើម្បីប្រមូលទិន្នន័យទម្ងន់សត្វប្រចាំសប្តាហ៍ ដោយប្រើប្រាស់ Digital Scale និងកត់ត្រាបញ្ចូលក្នុង Microsoft Excel ចាប់ពីសត្វញាស់រហូតដល់ពេញវ័យ។
  3. ជំហានទី៣៖ វិភាគទិន្នន័យដោយប្រើកម្មវិធីទំនើប (Data Analysis): ជំនួសឱ្យការទិញកម្មវិធី SAS ដែលមានតម្លៃថ្លៃ និស្សិតអាចរៀនប្រើប្រាស់កម្មវិធីឥតគិតថ្លៃដូចជា R (ប្រើមុខងារ nls()) ឬ Python (ប្រើបណ្ណាល័យ SciPy.optimize.curve_fit) ដើម្បីបំពាក់ទិន្នន័យ (Fit data) ទៅនឹងម៉ូដែល។
  4. ជំហានទី៤៖ វាយតម្លៃ និងសន្និដ្ឋាន (Model Evaluation & Conclusion): ធ្វើការគណនាតម្លៃ R², MSE, និង AIC សម្រាប់ម៉ូដែលនីមួយៗ ដើម្បីកំណត់ថាម៉ូដែលមួយណាដែលស័ក្តិសមបំផុតសម្រាប់ទិន្នន័យដែលបានប្រមូល រួចសរសេររបាយការណ៍ផ្តល់អនុសាសន៍ដល់កសិដ្ឋានអំពីចំណុចនៃពេលវេលាដែលសត្វលូតលាស់លឿនបំផុត (Point of Inflection)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Non-linear models (ម៉ូដែលមិនលីនេអ៊ែរ) ជាសមីការគណិតវិទ្យាដែលតំណាងឱ្យទំនាក់ទំនងមិនមែនជាបន្ទាត់ត្រង់រវាងអថេរពីរ (ឧទាហរណ៍ អាយុ និងទម្ងន់) ដែលត្រូវបានគេប្រើប្រាស់ជាទូទៅដើម្បីពិពណ៌នាពីកំណើនសត្វ ព្រោះសត្វមិនលូតលាស់ក្នុងល្បឿនថេររហូតនោះទេ វាប្រែប្រួលតាមវ័យនីមួយៗ។ ដូចជាការជិះកង់ឡើងភ្នំ ដែលល្បឿនរបស់អ្នកប្រែប្រួលជានិច្ច មិនមែនស្មើគ្នារហូតនោះទេ ពោលគឺលឿននៅពេលចាប់ផ្តើម រួចក៏យឺតទៅៗពេលជិតដល់កំពូល។
Point of Inflection / POI (ចំណុចរបត់នៃការលូតលាស់) គឺជាចំណុចនៅលើខ្សែកោងកំណើនដែលសត្វមានអត្រាលូតលាស់លឿនបំផុត (កើនទម្ងន់ខ្លាំងបំផុតក្នុងរយៈពេលខ្លី) មុនពេលដែលល្បឿននៃការលូតលាស់នោះចាប់ផ្តើមថយចុះបន្តិចម្តងៗរហូតដល់វាពេញវ័យ។ កសិករតែងយកចំណុចនេះដើម្បីកំណត់ការផ្តល់ចំណីបំប៉ន។ ដូចជាវ័យជំទង់របស់មនុស្ស ដែលជាវ័យលូតកម្ពស់លឿនបំផុត មុនពេលអត្រាលូតកម្ពស់ចាប់ផ្តើមយឺតទៅៗរហូតដល់លែងលូត។
Asymptotic limit of weight (ដែនកំណត់ទម្ងន់អតិបរមា / ទម្ងន់ពេលពេញវ័យ) គឺជាប៉ារ៉ាម៉ែត្រ 'A' នៅក្នុងម៉ូដែលកំណើន ដែលតំណាងឱ្យទម្ងន់រាងកាយសរុបអតិបរមាដែលសត្វមួយក្បាលអាចសម្រេចបាននៅពេលវាពេញវ័យ ឬឈប់លូតលាស់ទាំងស្រុង ទោះបីជាចិញ្ចឹមបន្តទៀតក៏ដោយ។ ដូចជាទំហំផ្ទុកអតិបរមារបស់ធុងទឹកមួយ ដែលទោះជាអ្នកចាក់ទឹកចូលបន្ថែមទៀត ក៏វាមិនអាចផ្ទុកលើសពីនេះបានដែរ ហើយទឹកនឹងហូរចេញមកក្រៅ។
Coefficient of determination / R² (មេគុណកំនត់ R²) ជារង្វាស់ស្ថិតិដែលបញ្ជាក់ថា តើម៉ូដែលគណិតវិទ្យាអាចពន្យល់ពីការប្រែប្រួលនៃទិន្នន័យជាក់ស្តែងបានល្អកម្រិតណា។ តម្លៃកាន់តែខិតជិត 1 (ឬ 100%) មានន័យថាម៉ូដែលនោះអាចទស្សន៍ទាយទិន្នន័យបានកាន់តែសុក្រឹត។ ដូចជាពិន្ទុនៃការបាញ់ធ្នូ ប្រសិនបើអ្នកបាញ់ចូលចំគោលដៅចំកណ្តាលបានច្រើនដង នោះមានន័យថាការបាញ់របស់អ្នកមានភាពសុក្រឹតខ្ពស់ (តម្លៃ R² ខ្ពស់)។
Akaike’s Information Criteria / AIC (លក្ខណៈវិនិច្ឆ័យព័ត៌មាន Akaike) ជាវិធីសាស្ត្រសម្រាប់វាយតម្លៃ និងប្រៀបធៀបគុណភាពនៃម៉ូដែលស្ថិតិជាច្រើន។ ម៉ូដែលដែលមានតម្លៃ AIC ទាបជាងគេ គឺជាម៉ូដែលដែលល្អបំផុត ព្រោះវាមានតុល្យភាពរវាងភាពសុក្រឹតខ្ពស់ និងភាពសាមញ្ញក្នុងការគណនា (មិនស្មុគស្មាញពេក)។ ដូចជាការជ្រើសរើសទិញទូរស័ព្ទ ដែលអ្នកត្រូវរកមើលម៉ូដែលណាដែលមានតម្លៃថោកសមរម្យ (AIC ទាប) ប៉ុន្តែមានមុខងារប្រើប្រាស់គ្រប់គ្រាន់ និងដំណើរការល្អ។
Mean Square Error / MSE (កំហុសមធ្យមការ៉េ) ជាតម្លៃមធ្យមនៃគម្លាតការ៉េរវាងទិន្នន័យដែលបានទស្សន៍ទាយដោយម៉ូដែល និងទិន្នន័យទម្ងន់ដែលវាស់វែងបានជាក់ស្តែង។ តម្លៃ MSE កាន់តែទាប បង្ហាញថាម៉ូដែលនោះទស្សន៍ទាយបានខុសតិចតួចបំផុតពីការពិត។ ដូចជាការប៉ាន់ស្មានទម្ងន់សាច់ជ្រូកនៅផ្សារ ប្រសិនបើអ្នកទាយខុសពីទម្ងន់ពិតលើជញ្ជីងកាន់តែតិច នោះមានន័យថាកំហុសប៉ាន់ស្មានរបស់អ្នក (MSE) កាន់តែទាប។
Sigmoidal curve (ខ្សែកោងរាងអក្សរ S) ជាគំរូទម្រង់ខ្សែកោងនៅលើក្រាហ្វដែលបង្ហាញពីការលូតលាស់ទូទៅរបស់ភាវៈរស់ មានលក្ខណៈយឺតនៅពេលទើបកើត លូតលាស់លឿនខ្លាំងនៅដំណាក់កាលកណ្តាល និងយឺតឡើងវិញរហូតដល់ថេរនៅពេលពេញវ័យ ដែលបង្កើតបានជារាងអក្សរ S បែបអូសបន្លាយ។ ដូចជាការចាក់ទឹកចូលក្នុងដបដែលមានរាងកោង ទឹកឡើងយឺតនៅបាតដប ឡើងលឿននៅកណ្តាលដបដែលមានរាងតូច និងយឺតវិញនៅពេលជិតពេញមាត់ដប។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖