Original Title: Factors Influencing Precision Agriculture Technology Adoption Among Small-Scale Farmers in Kentucky and Their Implications for Policy and Practice
Source: doi.org/10.3390/agriculture15020177
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

កត្តាដែលមានឥទ្ធិពលលើការទទួលយកបច្ចេកវិទ្យាកសិកម្មជាក់លាក់ក្នុងចំណោមកសិករខ្នាតតូចនៅរដ្ឋ Kentucky និងអត្ថន័យសម្រាប់គោលនយោបាយនិងការអនុវត្ត

ចំណងជើងដើម៖ Factors Influencing Precision Agriculture Technology Adoption Among Small-Scale Farmers in Kentucky and Their Implications for Policy and Practice

អ្នកនិពន្ធ៖ Shreesha Pandeya (Kentucky State University), Buddhi R. Gyawali (Kentucky State University), Suraj Upadhaya (Kentucky State University)

ឆ្នាំបោះពុម្ព៖ 2025 (Agriculture Journal)

វិស័យសិក្សា៖ Agricultural Economics & Extension

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃអត្រាទទួលយកនៅទាបនៃបច្ចេកវិទ្យាកសិកម្មជាក់លាក់ (Precision Agriculture Technologies - PATs) ក្នុងចំណោមកសិករខ្នាតតូចនៅសហរដ្ឋអាមេរិក បើទោះបីជាបច្ចេកវិទ្យានេះមានសារៈសំខាន់សម្រាប់សន្តិសុខស្បៀង និងនិរន្តរភាពបរិស្ថានក៏ដោយ។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់វិធីសាស្រ្តចម្រុះដោយរួមបញ្ចូលការស្ទង់មតិ និងការពិភាក្សាក្រុម ហើយវិភាគទិន្នន័យដោយប្រើគំរូស្ថិតិដើម្បីស្វែងយល់ពីកត្តាជម្រុញ និងឧបសគ្គ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Binary Logistic Regression Model
ម៉ូដែលតម្រែតម្រង់ឡូជីស្ទិក (Binary Logistic Regression Model)
មានប្រសិទ្ធភាពក្នុងការវិភាគទំនាក់ទំនងរវាងអថេរឯករាជ្យជាច្រើន (ដូចជាអាយុ ទំហំដី) ទៅនឹងលទ្ធភាពនៃការសម្រេចចិត្ត (ទទួលយក ឬមិនទទួលយក)។ ទាមទារទិន្នន័យដែលមានគុណភាពខ្ពស់ និងមិនអាចបង្ហាញពីការផ្លាស់ប្តូរឥរិយាបថតាមពេលវេលា (Cross-sectional limitation)។ ទំហំកសិដ្ឋាន (Farm Size) និងបទពិសោធន៍ មានទំនាក់ទំនងវិជ្ជមានជាមួយការទទួលយកបច្ចេកវិទ្យា ខណៈដែលអាយុមានទំនាក់ទំនងអវិជ្ជមាន។
Focus Group Discussions (FGDs)
ការពិភាក្សាក្រុម (Focus Group Discussions)
អនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវយល់ដឹងស៊ីជម្រៅអំពីឧបសគ្គជាក់លាក់ និងមូលហេតុនៅពីក្រោយការសម្រេចចិត្តរបស់កសិករ ដែលតួលេខស្ថិតាមិនអាចបង្ហាញបាន។ លទ្ធផលអាចមានភាពលំអៀងដោយសារមតិបុគ្គល ហើយពិបាកក្នុងការធ្វើឱ្យក្លាយជាតំណាងឱ្យកសិករទាំងអស់។ បានកំណត់ថាការចំណាយខ្ពស់ (High Cost) គឺជាឧបសគ្គចម្បងបំផុត (២០%) បន្ទាប់មកគឺភាពស្មុគស្មាញនៃបច្ចេកវិទ្យា។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះបង្ហាញថាការចំណាយគឺជាឧបសគ្គដ៏ធំបំផុតសម្រាប់ការអនុវត្តបច្ចេកវិទ្យាកសិកម្មជាក់លាក់ (PATs) សម្រាប់កសិករខ្នាតតូច។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះធ្វើឡើងនៅរដ្ឋ Kentucky សហរដ្ឋអាមេរិក លើកសិករដែលមានវ័យចំណាស់ (មធ្យម ៦២ឆ្នាំ)។ ចំណុចសំខាន់ដែលត្រូវកត់សម្គាល់សម្រាប់កម្ពុជាគឺនិយមន័យនៃ 'កសិដ្ឋានខ្នាតតូច' នៅអាមេរិក (ចំណូលក្រោម ២៥០,០០០ ដុល្លារ/ឆ្នាំ) គឺធំជាងកសិដ្ឋានខ្នាតតូចនៅកម្ពុជាឆ្ងាយណាស់ ដូច្នេះលទ្ធភាពហិរញ្ញវត្ថុគឺខុសគ្នាទាំងស្រុង។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាបរិបទសេដ្ឋកិច្ចខុសគ្នា ប៉ុន្តែគោលគំនិតនៃការប្រើប្រាស់បច្ចេកវិទ្យាដើម្បីបង្កើនប្រសិទ្ធភាព និងបញ្ហាប្រឈមរឿងកង្វះចំណេះដឹងបច្ចេកទេស គឺអាចអនុវត្តបានយ៉ាងល្អចំពោះវិស័យកសិកម្មនៅកម្ពុជា។

លទ្ធផលនេះបង្ហាញថា ដើម្បីជំរុញកសិកម្មទំនើបនៅកម្ពុជា គោលនយោបាយគួរតែផ្តោតលើការកាត់បន្ថយថ្លៃដើមបច្ចេកវិទ្យា និងការផ្តល់សេវាផ្សព្វផ្សាយចំណេះដឹងដល់កសិករ ជាជាងគ្រាន់តែនាំចូលឧបករណ៍។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះនៃបច្ចេកវិទ្យា (PATs): និស្សិតគួរស្រាវជ្រាវអំពីបច្ចេកវិទ្យាដែលមានតម្លៃសមរម្យ (Low-cost technologies) សម្រាប់កសិករកម្ពុជា ដូចជាឧបករណ៍វាស់សំណើមដី (Soil Moisture Sensors) ឬកម្មវិធីទូរស័ព្ទសម្រាប់គ្រប់គ្រងកសិដ្ឋាន។
  2. រៀនវិភាគទិន្នន័យជាមួយ R Studio: ដោយសារការសិក្សានេះប្រើប្រាស់កម្មវិធី (R Studio) ដើម្បីវិភាគ និស្សិតគួររៀនប្រើប្រាស់កម្មវិធីនេះដើម្បីបង្កើតម៉ូដែល (Logistic Regression) សម្រាប់ព្យាករណ៍ឥរិយាបថកសិករ។
  3. ចុះអង្កេតផ្ទាល់នៅសហគមន៍កសិកម្ម: ធ្វើការចុះសម្ភាសន៍កសិករនៅតំបន់គោលដៅ (ដូចជាខេត្តកំពង់ចាម ឬតាកែវ) ដើម្បីស្វែងយល់ពីឧបសគ្គជាក់ស្តែងក្នុងការប្រើប្រាស់បច្ចេកវិទ្យា ដោយប្រើវិធីសាស្រ្ត (Focus Group Discussion) ដូចក្នុងឯកសារ។
  4. តាក់តែងសំណើគោលនយោបាយ (Policy Brief): សរសេរឯកសារសង្ខេបមួយជូនស្ថាប័នពាក់ព័ន្ធ (ដូចជា CARDI ឬ MAFF) ដោយផ្អែកលើទិន្នន័យដែលរកឃើញ ដើម្បីស្នើសុំការគាំទ្រផ្នែកហិរញ្ញវត្ថុ ឬបច្ចេកទេសសម្រាប់កសិករវ័យក្មេង។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Precision Agriculture Technologies (PATs) ការប្រើប្រាស់បច្ចេកវិទ្យាទំនើប (ដូចជា GPS, ឧបករណ៍ចាប់សញ្ញា, និងការវិភាគទិន្នន័យ) ដើម្បីគ្រប់គ្រងការដាំដុះឱ្យចំគោលដៅ ដោយដាក់ជី ទឹក ឬថ្នាំ ទៅតាមតម្រូវការជាក់ស្តែងនៃកន្លែងនីមួយៗក្នុងចំការ ដើម្បីកាត់បន្ថយការខ្ជះខ្ជាយ។ ដូចជាការផ្តល់ថ្នាំឱ្យអ្នកជំងឺតាមរោគសញ្ញាជាក់លាក់របស់គេម្នាក់ៗ មិនមែនឱ្យថ្នាំដូចគ្នាដល់អ្នកជំងឺទាំងអស់នោះទេ។
Binary Logistic Regression ជាវិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់ទស្សន៍ទាយលទ្ធផលដែលមានតែពីរជម្រើសប៉ុណ្ណោះ (ឧទាហរណ៍៖ "ទទួលយក" ឬ "មិនទទួលយក" បច្ចេកវិទ្យា) ដោយវិភាគទៅលើទំនាក់ទំនងជាមួយកត្តាផ្សេងៗដូចជា អាយុ ឬទំហំដី។ ដូចជាការគណនាថាតើក្រុមបាល់ទាត់មួយនឹង "ឈ្នះ" ឬ "ចាញ់" (មានតែលទ្ធផល ២) ដោយមើលលើប្រវត្តិការប្រកួត និងកម្លាំងកីឡាកររបស់ពួកគេ។
Technology Acceptance Model (TAM) ជាក្របខ័ណ្ឌទ្រឹស្តីដែលពន្យល់ថា ការសម្រេចចិត្តរបស់បុគ្គលម្នាក់ក្នុងការប្រើប្រាស់បច្ចេកវិទ្យាថ្មី គឺអាស្រ័យលើកត្តាធំៗពីរ៖ "ការយល់ឃើញថាមានប្រយោជន៍ (Perceived Usefulness)" និង "ការយល់ឃើញថាងាយស្រួលប្រើ (Perceived Ease of Use)"។ ដូចជាពេលយើងសម្រេចចិត្តប្រើកម្មវិធីទូរស័ព្ទ (App) ថ្មីមួយ លុះត្រាតែយើងគិតថាវាជួយការងារយើងបានច្រើន ហើយវាមិនស្មុគស្មាញពេកក្នុងការរៀនប្រើ។
Variable-rate application បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យឧបករណ៍កសិកម្មផ្លាស់ប្តូរបរិមាណជី ឬថ្នាំកសិកម្មដោយស្វ័យប្រវត្តិ នៅពេលធ្វើដំណើរឆ្លងកាត់ផ្នែកផ្សេងៗនៃវាលស្រែ ដោយផ្អែកលើទិន្នន័យផែនទីដី ឬសុខភាពដំណាំ។ ដូចជាការស្រោចទឹកសួនច្បារ ដោយម៉ាស៊ីនបាញ់ទឹកខ្លាំងតែត្រង់កន្លែងដែលដីស្ងួត ហើយបាញ់តិចៗត្រង់កន្លែងដែលដីសើមស្រាប់។
Odds Ratio ជាតួលេខស្ថិតិដែលបង្ហាញពីកម្រិតនៃលទ្ធភាពដែលព្រឹត្តិការណ៍មួយនឹងកើតឡើង ធៀបនឹងលទ្ធភាពដែលវាមិនកើតឡើង នៅពេលមានលក្ខខណ្ឌណាមួយប្រែប្រួល (ឧទាហរណ៍៖ តើការមានដីធំ ធ្វើឱ្យឱកាសប្រើប្រាស់បច្ចេកវិទ្យាកើនឡើងប៉ុន្មានដង)។ ប្រសិនបើ Odds Ratio ស្មើ ២ មានន័យថា កសិករដែលមានលក្ខខណ្ឌនេះ មានឱកាសទទួលយកបច្ចេកវិទ្យាច្រើនជាងកសិករធម្មតា ២ ដង។
Soil electrical conductivity (EC) mapping ការបង្កើតផែនទីបង្ហាញពីលក្ខណៈសម្បត្តិដី (ដូចជាជាតិអំបិល, សំណើម, ឬប្រភេទដីឥដ្ឋ) ដោយវាស់សមត្ថភាពដីក្នុងការចម្លងចរន្តអគ្គិសនី ដើម្បីកំណត់តំបន់ដីដែលមានជីជាតិខុសគ្នា។ ដូចជាការស្កេនដីដើម្បីមើល "គុណភាពខាងក្នុង" (ដូចជាជាតិទឹក ឬប្រភេទដី) ដោយមិនចាំបាច់ជីកដីមើលគ្រប់កន្លែង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖