បញ្ហា (The Problem)៖ ការសិក្សានេះមានគោលបំណងស្វែងរកម៉ូដែលគណិតវិទ្យាដ៏ល្អបំផុតដើម្បីពិពណ៌នាពីកំណើន និងប៉ាន់ស្មានទម្ងន់រស់ ព្រមទាំងកំណត់អាយុពិឃាតដ៏ស័ក្តិសមបំផុតសម្រាប់មាន់ញីពូជ Tien Yen ក្រោមរបបអាហារខុសៗគ្នា។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រមូលទិន្នន័យទម្ងន់មាន់ចំនួន ១៨០ ក្បាលជារៀងរាល់សប្តាហ៍ រួចវិភាគប្រៀបធៀបដោយប្រើប្រាស់ម៉ូដែលអនុគមន៍គណិតវិទ្យាចំនួន ៦ ផ្សេងគ្នា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Janoschek ម៉ូដែល Janoschek |
មានភាពសុក្រឹតខ្ពស់បំផុត (R² = 97.16%) ក្នុងការពិពណ៌នាពីកំណើន និងទម្ងន់មាន់ដែលស៊ីចំណីធម្មតា (Control diet)។ | មិនមែនជាម៉ូដែលដែលល្អបំផុតសម្រាប់ក្រុមមាន់ដែលស៊ីចំណីមានប្រូតេអ៊ីន និងកាកសរសៃខ្ពស់នោះទេ។ | ប៉ាន់ស្មានអាយុពិឃាតដ៏ស័ក្តិសមគឺ ១៤,៣៣ សប្តាហ៍ ជាមួយនឹងទម្ងន់ ១.៣៩២,៨៩ ក្រាម (សម្រាប់របបអាហារធម្មតា)។ |
| Richards ម៉ូដែល Richards |
មានភាពសុក្រឹតខ្ពស់បំផុត (R² = 96.94%) និងមានកំហុសតិចបំផុត (Lowest AIC/BIC) សម្រាប់ក្រុមមាន់ដែលស៊ីចំណីមានប្រូតេអ៊ីនខ្ពស់។ | ទាមទារប៉ារ៉ាម៉ែត្រស្មុគស្មាញ និងមានកម្រិតភាពសុក្រឹតទាបជាង Janoschek នៅពេលអនុវត្តលើក្រុមចំណីធម្មតា។ | ប៉ាន់ស្មានអាយុពិឃាតដ៏ស័ក្តិសមគឺ ១៥,១៧ សប្តាហ៍ ជាមួយនឹងទម្ងន់ ១.៥៦៥,២៣ ក្រាម (សម្រាប់របបអាហារប្រូតេអ៊ីនខ្ពស់)។ |
| Logistic ម៉ូដែល Logistic |
មានដំណើរការល្អបង្គួរ ដោយទទួលបានចំណាត់ថ្នាក់ទី២ សម្រាប់ភាពសុក្រឹតនៅក្នុងក្រុមសាកល្បងទាំងពីរ។ | តម្លៃនៃអត្រាកំណើន (k values) ដែលត្រូវបានប៉ាន់ស្មានដោយម៉ូដែលនេះមានកម្រិតទាបបំផុត។ | មានភាពសុក្រឹត R² = 97.14% សម្រាប់ក្រុមចំណីធម្មតា និង 96.83% សម្រាប់ក្រុមពិសោធន៍។ |
| Lopez ម៉ូដែល Lopez |
អាចចាប់យកអត្រាកំណើនដល់ចំណុចកំពូលបានល្អ ដោយបង្ហាញតម្លៃ k (អត្រាកំណើន) ខ្ពស់ជាងគេបំផុតនៅក្នុងក្រុមទាំងពីរ។ | ភាពសុក្រឹតរួមស្ថិតនៅកម្រិតមធ្យម មិនអាចយកឈ្នះម៉ូដែល Janoschek និង Richards បានទេ។ | ជាប់ចំណាត់ថ្នាក់ទី៣ និងទី៤ ក្នុងការវាយតម្លៃតាមរយៈតម្លៃ AIC និង BIC។ |
| Gompertz ម៉ូដែល Gompertz |
ជាម៉ូដែលទូទៅដែលធ្លាប់ត្រូវបានប្រើយ៉ាងទូលំទូលាយសម្រាប់ការសិក្សាពីមុនៗ និងមានកម្រិតសុក្រឹតបង្គួរ (R² > 96%)។ | មិនមានភាពជាក់លាក់ និងសុក្រឹតគ្រប់គ្រាន់ដើម្បីក្លាយជាជម្រើសទី១ សម្រាប់ការវិភាគមាន់ពូជ Tien Yen នេះទេ។ | ជាប់ចំណាត់ថ្នាក់ទី៤ និងទី៥ បង្ហាញពីប្រសិទ្ធភាពមធ្យមក្នុងការទស្សន៍ទាយកំណើនទម្ងន់។ |
| von Bertalanffy ម៉ូដែល von Bertalanffy |
ជាម៉ូដែលស្តង់ដារមួយដែលអាចប្រើដើម្បីតាមដានដំណើរការមេតាប៉ូលីស និងកំណើនសត្វ។ | មានភាពសុក្រឹតទាបជាងគេបំផុត (Lowest R²) និងមានតម្លៃកំហុស (AIC/BIC) ខ្ពស់ជាងគេនៅក្នុងការសិក្សានេះ។ | មិនត្រូវបានណែនាំឱ្យប្រើប្រាស់ទេ ដោយសារវាផ្តល់លទ្ធផល R² ត្រឹមតែ 95.87% - 95.99% ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានទាំងផ្នែកទន់ (Software) សម្រាប់ការវិភាគទិន្នន័យស៊ាំញ៉ាំ និងធនធានរូបវន្តសម្រាប់ការចិញ្ចឹមមាន់ផ្ទាល់ក្នុងរយៈពេល ២៤ សប្តាហ៍។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងស្រុក Tien Yen ខេត្ត Quang Ninh ប្រទេសវៀតណាម ដែលមានអាកាសធាតុត្រូពិចសើម (Subtropical climate) និងផ្តោតលើមាន់ញីពូជ Tien Yen ចំនួន ១៨០ ក្បាលប៉ុណ្ណោះ។ សម្រាប់ប្រទេសកម្ពុជា ទោះបីជាអាកាសធាតុមានលក្ខណៈស្រដៀងគ្នាក្តី ប៉ុន្តែពូជមាន់ស្រុកកម្ពុជា (ដូចជាមាន់ស្រែ ឬមាន់សំពៅ) អាចមានសក្តានុពលកំណើនខុសគ្នា ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យជាក់ស្តែងបន្ថែមដើម្បីរកអាយុពិឃាតដ៏ត្រឹមត្រូវ។
វិធីសាស្ត្រនៃការធ្វើម៉ូដែលគណិតវិទ្យានេះមានអត្ថប្រយោជន៍ខ្លាំងណាស់សម្រាប់ការអភិវឌ្ឍវិស័យចិញ្ចឹមមាន់ស្រុកជាលក្ខណៈពាណិជ្ជកម្មនៅប្រទេសកម្ពុជា។
ការអនុវត្តវិធីសាស្ត្រនេះនឹងជួយកសិករ និងអ្នកស្រាវជ្រាវកម្ពុជាផ្លាស់ប្តូរពីការចិញ្ចឹមតាមបែបប្រពៃណី មកប្រើប្រាស់ទិន្នន័យវិទ្យាសាស្ត្រច្បាស់លាស់ដើម្បីកាត់បន្ថយថ្លៃដើម និងបង្កើនប្រាក់ចំណេញអតិបរមា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Asymptotic body weight (ទម្ងន់ខ្លួនអតិបរមា ឬទម្ងន់នៅពេលពេញវ័យពេញលេញ) | ជាប៉ារ៉ាម៉ែត្រគណិតវិទ្យា (តំណាងដោយអក្សរ α) នៅក្នុងម៉ូដែលខ្សែកោងកំណើន ដែលបញ្ជាក់ពីទម្ងន់សរុបខ្ពស់បំផុតដែលសត្វអាចសម្រេចបាននៅពេលដែលវាឈប់លូតលាស់។ | ដូចជាកម្ពស់អតិបរមារបស់មនុស្សពេញវ័យ ដែលនឹងឈប់លូតលាស់ទោះបីជាអាយុបន្តកើនឡើងរាល់ឆ្នាំក៏ដោយ។ |
| Marginal Value Output (តម្លៃទិន្នផលបន្ថែម ឬចំណូលបន្ថែមតាមកម្រិត) | ជាតម្លៃសេដ្ឋកិច្ច ឬប្រាក់ចំណូលដែលទទួលបានពីការកើនឡើងទម្ងន់បន្ថែមរបស់សត្វក្នុងមួយឯកតាពេលវេលា (ឧទាហរណ៍៖ កំណើនទម្ងន់ក្នុងមួយសប្តាហ៍ គុណនឹងតម្លៃសាច់មាន់លើទីផ្សារ)។ | ដូចជាប្រាក់ចំណេញបន្ថែមដែលអ្នកលក់ទទួលបាន ពេលគាត់សម្រេចចិត្តបើកតូបលក់បន្ថែមមួយម៉ោងទៀត។ |
| Marginal Input Cost (ចំណាយធាតុចូលបន្ថែម) | ជាការចំណាយសរុបបន្ថែមដែលកសិករត្រូវចំណាយសម្រាប់ការបន្តចិញ្ចឹមសត្វក្នុងមួយឯកតាពេលវេលាបន្ថែម (រួមមានថ្លៃចំណី ថ្នាំពេទ្យ និងកម្លាំងពលកម្មប្រចាំសប្តាហ៍)។ | ដូចជាលុយបន្ថែមដែលអ្នកត្រូវចំណាយទិញសាំង ដើម្បីជិះម៉ូតូបន្តទៅមុខមួយគីឡូម៉ែត្រទៀត។ |
| Inflection point (ចំណុចរបត់នៃកំណើន) | ជាចំណុចគន្លឹះនៅលើខ្សែកោងកំណើន (តំណាងដោយអក្សរ β) ដែលអត្រានៃការលូតលាស់របស់សត្វឈានដល់កម្រិតលឿនបំផុត មុនពេលវាចាប់ផ្តើមថយល្បឿនកំណើនបន្តិចម្តងៗរហូតដល់ពេញវ័យ។ | ដូចជាវ័យជំទង់របស់មនុស្ស ដែលជាដំណាក់កាលលូតលាស់កម្ពស់លឿនបំផុត មុនពេលចាប់ផ្តើមយឺតទៅៗនៅពេលជិតពេញវ័យ។ |
| Akaike information criterion (លក្ខណៈវិនិច្ឆ័យព័ត៌មាន Akaike ឬ AIC) | ជារង្វាស់ស្ថិតិសម្រាប់វាយតម្លៃ និងប្រៀបធៀបគុណភាពនៃម៉ូដែលគណិតវិទ្យាផ្សេងៗគ្នា ដោយជ្រើសរើសម៉ូដែលដែលមានតុល្យភាពល្អបំផុតរវាងភាពសុក្រឹត (Goodness of fit) និងភាពសាមញ្ញ (ជៀសវាងការប្រើប្រាស់អថេរស្មុគស្មាញពេក)។ តម្លៃ AIC កាន់តែទាប ម៉ូដែលកាន់តែល្អ។ | ដូចជាការរើសទិញទូរស័ព្ទ ដែលអ្នករើសយកម៉ូដែលដើរលឿនបំផុត តែមិនស៊ីថ្ម និងមិនមានមុខងាររញ៉េរញ៉ៃច្រើន។ |
| Non-linear regression (តម្រែតម្រង់មិនលីនេអ៊ែរ) | ជាវិធីសាស្ត្រស្ថិតិដើម្បីស្វែងរក និងបង្កើតសមីការភ្ជាប់ទំនាក់ទំនងរវាងអថេរ (ដូចជាអាយុ និងទម្ងន់) ដែលមិនមានទម្រង់ជាបន្ទាត់ត្រង់ ដោយប្រើអនុគមន៍ស្មុគស្មាញ (ដូចជាខ្សែកោងរាងអក្សរ S) ដើម្បីទស្សន៍ទាយនិន្នាការទិន្នន័យ។ | ដូចជាការគូសខ្សែគន្លងបាល់ដែលគេទាត់ឡើងលើអាកាស ដែលមានរាងកោង មិនមែនជាបន្ទាត់ត្រង់នោះទេ។ |
| Maturation rate (អត្រាឈានចូលវ័យពេញវ័យ) | ជាប៉ារ៉ាម៉ែត្រ (តំណាងដោយអក្សរ k) កំណត់ថាតើសត្វលូតលាស់ក្នុងល្បឿនប៉ុណ្ណាដើម្បីឈានទៅរកទម្ងន់អតិបរមា ឬវ័យពេញវ័យរបស់វា។ តម្លៃ k កាន់តែខ្ពស់ មានន័យថាសត្វឆាប់ធំពេញវ័យ។ | ដូចជាល្បឿននៃការបើកក្បាលម៉ាស៊ីនបូមទឹកចូលក្នុងអាង ប្រសិនបើទឹកហូរចូលកាន់តែខ្លាំង អាងនោះនឹងឆាប់ពេញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
