បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាកង្វះខាតព័ត៌មានអំពីគំរូនៃកំណើន និងអាយុសម្រាប់ការសម្លាប់យកសាច់នៃគោទឹកដោះនៅក្នុងប្រទេសថៃ ដើម្បីជួយកែលម្អប្រសិទ្ធភាពផលិតកម្មសាច់គោ និងការជ្រើសរើសពូជ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រៀបធៀបម៉ូដែលគណិតវិទ្យាចំនួនប្រាំ ដើម្បីវាយតម្លៃខ្សែកោងកំណើនរបស់គោបា ដោយផ្អែកលើទិន្នន័យទម្ងន់ប្រចាំខែក្នុងរយៈពេលជិត២០ឆ្នាំ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Quadratic Model ម៉ូដែលលីនេអ៊ែរប្រភេទ Quadratic |
មានភាពសាមញ្ញ និងមានភាពខុសគ្នាតិចតួចបំផុតរវាងទម្ងន់ដែលបានព្យាករណ៍ និងទម្ងន់ពិតប្រាកដនៅគ្រប់ដំណាក់កាលនៃកំណើន។ | មានទំនោរក្នុងការប៉ាន់ស្មានទម្ងន់គោនៅពេលពេញវ័យទាបជាងការពិត (Underestimate) បន្តិចបន្តួច។ | ស័ក្តិសមបំផុតជាមួយទិន្នន័យដោយមានតម្លៃវាយតម្លៃទាបបំផុត (-2logL = 54068, AIC = 54070)។ |
| Logistic Model ម៉ូដែលមិនមែនលីនេអ៊ែរប្រភេទ Logistic |
មានប្រយោជន៍សម្រាប់ការវាយតម្លៃកំណើនជីវសាស្រ្តទូទៅរបស់សត្វ។ | ប៉ាន់ស្មានទម្ងន់លើសការពិត (Overestimate) ខ្លាំងនៅដំណាក់កាលលូតលាស់ដំបូង និងពេលពេញវ័យ។ | មិនសូវស័ក្តិសមដោយមានតម្លៃ AIC ស្មើនឹង 54105។ |
| Gompertz Model ម៉ូដែលមិនមែនលីនេអ៊ែរប្រភេទ Gompertz |
ជារឿយៗត្រូវបានប្រើប្រាស់ដើម្បីវាស់ស្ទង់កំណើនសត្វពាហនៈបានយ៉ាងល្អ។ | ប៉ាន់ស្មានទម្ងន់ទាបជាងការពិតក្នុងកំឡុងពេលលូតលាស់ដំបូង និងចុងក្រោយ។ | មិនសូវស័ក្តិសមដោយមានតម្លៃ AIC ស្មើនឹង 54109។ |
| Von Bertalanffy Model ម៉ូដែលមិនមែនលីនេអ៊ែរប្រភេទ Von Bertalanffy |
ធ្លាប់មានប្រសិទ្ធភាពខ្ពស់ក្នុងការសិក្សាផ្សេងៗលើគោពូជហូលស្ទីន (Holstein)។ | ប៉ាន់ស្មានទម្ងន់លើសការពិតច្រើននៅពេលគោពេញវ័យ។ | មិនសូវស័ក្តិសមដោយមានតម្លៃ AIC ស្មើនឹង 54139។ |
| Brody Model ម៉ូដែលមិនមែនលីនេអ៊ែរប្រភេទ Brody |
មានភាពសុក្រឹតខ្ពស់សម្រាប់ការសិក្សាលើពូជគោសាច់មួយចំនួន (ដូចជា Brahman) ក្នុងការសិក្សាផ្សេង។ | ប៉ាន់ស្មានទម្ងន់លើសការពិតយ៉ាងធ្ងន់ធ្ងរ (១៨ គីឡូក្រាម) នៅពេលគោពេញវ័យ និងមានភាពខុសឆ្គងច្រើនជាងគេ។ | អាក្រក់ជាងគេបំផុតដោយមានតម្លៃ AIC ខ្ពស់ដល់ទៅ 54314។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារនូវការប្រមូលទិន្នន័យរយៈពេលវែង និងកម្មវិធីវិភាគទិន្នន័យស្ថិតិកម្រិតខ្ពស់ដើម្បីប្រៀបធៀបម៉ូដែល។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅប្រទេសថៃ ដោយប្រមូលទិន្នន័យពីគោបាបង្កាត់ពូជហូលស្ទីន (Holstein crossbred bulls) តែប៉ុណ្ណោះ ហើយខ្វះទិន្នន័យពីគោញី និងកូនគោ។ ទោះជាយ៉ាងណាក៏ដោយ ដោយសារអាកាសធាតុត្រូពិច និងប្រព័ន្ធគ្រប់គ្រងនៅថៃមានភាពស្រដៀងគ្នានឹងកម្ពុជា ទិន្នន័យនេះនៅតែមានតម្លៃខ្ពស់សម្រាប់ការអនុវត្តនៅក្នុងស្រុកយើង។
វិធីសាស្ត្រនៃការប្រើប្រាស់ម៉ូដែល Quadratic នេះមានអត្ថប្រយោជន៍ខ្លាំងសម្រាប់ការវិភាគ និងធ្វើឲ្យប្រសើរឡើងនូវវិស័យចិញ្ចឹមគោនៅកម្ពុជា។
សរុបមក ការសាងសង់ខ្សែកោងកំណើននេះ គឺជាជំហានដ៏សំខាន់មួយដែលអាចជួយឲ្យស្ថាប័នកសិកម្មកម្ពុជាធ្វើការជ្រើសរើសពូជគោបានច្បាស់លាស់ និងមានប្រសិទ្ធភាពសេដ្ឋកិច្ចខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Artificial insemination (ការបង្កាត់សិប្បនិម្មិត) | ដំណើរការនៃការប្រមូលទឹកកាមពីសត្វឈ្មោល ហើយចាក់បញ្ចូលទៅក្នុងសរីរាង្គបន្តពូជរបស់សត្វញីដោយប្រើឧបករណ៍ជំនួយ ដោយមិនចាំបាច់មានការរួមភេទដោយផ្ទាល់ ដើម្បីគ្រប់គ្រងគុណភាពពូជ និងបង្កើនប្រសិទ្ធភាពផលិតកម្ម។ | ដូចជាការយកគ្រាប់ពូជរុក្ខជាតិល្អៗទៅដាំក្នុងដីដោយដៃផ្ទាល់ ជំនួសឱ្យការទុកឱ្យខ្យល់ ឬសត្វល្អិតជាអ្នកនាំយកទៅបង្កាត់ដោយឯកឯង។ |
| Growth curve (ខ្សែកោងកំណើន) | គំរូគណិតវិទ្យាឬក្រាហ្វិកដែលបង្ហាញពីអត្រានៃការផ្លាស់ប្តូរទម្ងន់ ឬទំហំរបស់សត្វទៅតាមអាយុ ឬពេលវេលា តាំងពីកើតរហូតដល់ពេញវ័យ ដើម្បីទស្សន៍ទាយពេលវេលាដែលសត្វលូតលាស់លឿនបំផុត។ | ដូចជាសៀវភៅតាមដានកម្ពស់និងទម្ងន់របស់កុមារតាំងពីទើបកើតរហូតដល់ធំពេញវ័យ ដែលបង្ហាញថាពេលណាគេលូតលាស់លឿន ឬយឺត។ |
| Holstein fraction (សមាមាត្រពូជហូលស្ទីន) | ភាគរយនៃសេនេទិច (ហ្សែន) របស់ពូជគោទឹកដោះហូលស្ទីន (Holstein) ដែលមាននៅក្នុងសត្វបង្កាត់ពូជមួយក្បាល។ ការសិក្សានេះបែងចែកគោជាក្រុមតាមភាគរយនេះ ដើម្បីមើលថាតើក្រុមណាមានការលូតលាស់ល្អជាងគេ។ | ដូចជាការលាយកាហ្វេនិងទឹកដោះគោ បើមានកាហ្វេ ៩០% នោះមានន័យថាសមាមាត្រកាហ្វេគឺ ០.៩ ឯទឹកដោះគោមានត្រឹម ០.១។ |
| Quadratic model (ម៉ូដែល Quadratic) | សមីការគណិតវិទ្យាដែលមានតួអថេរជាការ៉េ (x²) ដែលនៅក្នុងការសិក្សានេះវាត្រូវបានប្រើដើម្បីទស្សន៍ទាយការឡើងទម្ងន់របស់គោដោយផ្អែកលើអាយុ ហើយត្រូវបានរកឃើញថាជាម៉ូដែលដែលផ្តល់ភាពសុក្រឹតខ្ពស់បំផុត។ | ដូចជាការគណនាគន្លងហោះហើរនិងការធ្លាក់ចុះនៃគ្រាប់បាល់ដែលគេទាត់ទៅលើអាកាស ដោយប្រើរូបមន្តគណិតវិទ្យាជាក់លាក់។ |
| Akaike information criterion (លក្ខណៈវិនិច្ឆ័យព័ត៌មាន Akaike / AIC) | រង្វាស់ស្ថិតិដែលប្រើសម្រាប់វាយតម្លៃនិងប្រៀបធៀបគុណភាពនៃម៉ូដែលគណិតវិទ្យាផ្សេងៗគ្នា។ វាស្វែងរកតុល្យភាពរវាងភាពស័ក្តិសមនៃទិន្នន័យនិងភាពសាមញ្ញរបស់ម៉ូដែល (ម៉ូដែលដែលមានតម្លៃ AIC តូចជាងគឺល្អជាង)។ | ដូចជាការជ្រើសរើសទូរស័ព្ទដៃមួយដែលថតរូបស្អាតបំផុត តែមិនសូវស៊ីថ្ម និងមិនស្មុគស្មាញក្នុងការប្រើប្រាស់។ |
| Bayesian information criterion (លក្ខណៈវិនិច្ឆ័យព័ត៌មាន Bayesian / BIC) | វិធីសាស្ត្រស្ថិតិស្រដៀងនឹង AIC ដែរ ប៉ុន្តែវាផ្តល់ការពិន័យខ្ពស់ជាងចំពោះម៉ូដែលដែលមានប៉ារ៉ាម៉ែត្រច្រើនស្មុគស្មាញ (នៅពេលមានទិន្នន័យច្រើន) ដើម្បីជៀសវាងម៉ូដែលដែលតឹងរ៉ឹងឬត្រូវនឹងទិន្នន័យចាស់ជ្រុលពេក (overfitting)។ | ដូចជាចៅក្រមដែលតឹងរ៉ឹងម្នាក់ ដែលមិនត្រឹមតែចង់បានចម្លើយត្រឹមត្រូវប៉ុណ្ណោះទេ ថែមទាំងផាកពិន័យអ្នកដែលឆ្លើយវែងអន្លាយ និងប្រើពាក្យស្មុគស្មាញច្រើនពេក។ |
| Genomic selection (ការជ្រើសរើសហ្សែន) | ការប្រើប្រាស់ព័ត៌មានពីឌីអិនអេ (DNA) របស់សត្វ ដើម្បីវាយតម្លៃនិងទស្សន៍ទាយពីសក្តានុពលនៃការលូតលាស់ ឬការផ្តល់ទិន្នផលរបស់វា មុនពេលវាធំពេញវ័យ ដើម្បីជ្រើសរើសពូជបន្ត។ | ដូចជាការពិនិត្យមើលគ្រឿងបន្លាស់នៅខាងក្នុងកុំព្យូទ័រតាំងពីទើបផលិតរួច ដើម្បីដឹងថាតើវានឹងដើរលឿនប៉ុណ្ណានៅពេលយកទៅប្រើប្រាស់នាពេលអនាគត។ |
| Asymptotic mature weight (ទម្ងន់ពេលពេញវ័យអតិបរមា) | ទម្ងន់គោលកម្រិតខ្ពស់បំផុតដែលសត្វមួយក្បាលអាចសម្រេចបាននៅពេលដែលវាឈប់លូតលាស់និងមានអាយុពេញវ័យ (ជាធម្មតាត្រូវបានតំណាងដោយអថេរ A នៅក្នុងសមីការកំណើន)។ | ដូចជាកម្ពស់អតិបរមារបស់មនុស្សនៅអាយុ ២៥ ឆ្នាំ ដែលឈប់លូតកម្ពស់តទៅទៀតទោះបីជាពេលវេលាកន្លងផុតទៅយូរប៉ុណ្ណាក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
