បញ្ហា (The Problem)៖ ការកំណត់អាយុសម្លាប់ដ៏ស័ក្តិសមសម្រាប់ពូជទាក្នុងស្រុក (Na Tau) នៅប្រទេសវៀតណាមនៅតែមិនទាន់មានការស្រាវជ្រាវគ្រប់គ្រាន់នៅឡើយ ដែលបញ្ហានេះប៉ះពាល់ដល់ប្រសិទ្ធភាពនៃការបំប៉ន និងប្រាក់ចំណេញរបស់កសិករ។ ដូច្នេះ ការសិក្សានេះមានគោលបំណងវាយតម្លៃសមត្ថភាពព្យាករណ៍នៃម៉ូដែលគណិតវិទ្យាចំនួន ៦ ដើម្បីកំណត់ពីកំណើន និងពេលវេលាសម្លាប់ដ៏ប្រសើរបំផុត។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រមូលទិន្នន័យទម្ងន់រាងកាយប្រចាំសប្តាហ៍របស់កូនទាចំនួន ១២០ ក្បាល ពីពេលញាស់រហូតដល់អាយុ ១០ សប្តាហ៍ ដោយប្រើប្រាស់កម្មវិធី R ដើម្បីវិភាគ និងប្រៀបធៀបម៉ូដែលកំណើន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Janoschek Model ម៉ូដែល Janoschek (ម៉ូដែលកំណើនមិនមែនលីនេអ៊ែរ) |
មានភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងការពណ៌នាពីខ្សែកោងកំណើនរបស់ទា (R² > 97%) ព្រមទាំងមានកំហុសតូចបំផុត (AIC, BIC, SER ទាបបំផុត)។ | ទាមទារការគណនាស្មុគស្មាញបន្តិចបើធៀបនឹងម៉ូដែលសាមញ្ញ និងតម្រូវឱ្យមានទិន្នន័យគ្រប់គ្រាន់ដើម្បីកំណត់ប៉ារ៉ាម៉ែត្ររាងកោង (Shape parameter)។ | ត្រូវបានកំណត់ជាម៉ូដែលល្អបំផុត ដោយរកឃើញអាយុសម្លាប់ដ៏ប្រសើរបំផុតនៅ ៦.២៨ សប្តាហ៍សម្រាប់ឈ្មោល និង ៥.៨១ សប្តាហ៍សម្រាប់ញី។ |
| Lopez Model ម៉ូដែល Lopez |
អាចប៉ាន់ប្រមាណទម្ងន់អតិបរមា (Asymptotic weight) និងអត្រាកំណើនបានខ្ពស់ជាងគេ ដែលស័ក្តិសមសម្រាប់សត្វដែលមានសក្តានុពលលូតលាស់ធំ។ | អាចវាយតម្លៃទម្ងន់អតិបរមាខ្ពស់ហួសហេតុពេក (Overestimate) ដែលមិនសូវឆ្លុះបញ្ចាំងពីទម្ងន់ពិតប្រាកដរបស់សត្វបានល្អដូចម៉ូដែល Janoschek ទេ។ | ប៉ាន់ស្មានទម្ងន់អតិបរមាខ្ពស់ជាងគេរហូតដល់ ២៧២៦.៥៨ ក្រាម សម្រាប់ឈ្មោល និង ២៤០១.២៥ ក្រាម សម្រាប់ញី។ |
| Logistic & von Bertalanffy Models ម៉ូដែល Logistic និង von Bertalanffy |
ជាម៉ូដែលទូទៅដែលងាយស្រួលប្រើ មានការទទួលស្គាល់ច្រើនក្នុងការសិក្សាស្រាវជ្រាវពីមុនៗ និងងាយស្រួលក្នុងការទាញយកប៉ារ៉ាម៉ែត្រមូលដ្ឋាន។ | ផ្តល់តម្លៃ R² ទាបជាងគេ និងកំហុស (AIC, BIC, SER) ខ្ពស់ជាងគេក្នុងការសិក្សានេះ ដែលបង្ហាញថាវាមិនសូវស័ក្តិសមសម្រាប់ទាពូជ Na Tau នោះទេ។ | ទទួលបានចំណាត់ថ្នាក់ទាប (ចំណាត់ថ្នាក់ទី ៥ និងទី ៦) ក្នុងការវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលទូទៅ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនទាមទារធនធានកុំព្យូទ័រខ្នាតធំនោះទេ ប៉ុន្តែវាទាមទារឱ្យមានការរៀបចំកសិដ្ឋានចិញ្ចឹមផ្ទាល់ កម្លាំងពលកម្មក្នុងការប្រមូលទិន្នន័យជាក់ស្តែង និងកម្មវិធីស្ថិតិសម្រាប់វិភាគ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅប្រទេសវៀតណាម ដោយប្រើប្រាស់ពូជទាក្នុងស្រុករបស់គេគឺទា Na Tau និងក្រោមលក្ខខណ្ឌចិញ្ចឹមក្នុងកសិដ្ឋានស្រាវជ្រាវរបស់សាកលវិទ្យាល័យ។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យអាយុសម្លាប់និងទម្ងន់នេះអាចមានគម្លាតខ្លះ ដោយសារពូជទាក្នុងស្រុករបស់កម្ពុជា (ដូចជា ទាស្រែ ឬទាកាប៉ា) អាកាសធាតុ និងប្រភេទចំណី មានលក្ខណៈខុសគ្នា ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យផ្ទាល់ក្នុងស្រុកឡើងវិញដើម្បីភាពសុក្រឹត។
ទោះបីជាទិន្នន័យជាក់លាក់ជារបស់ប្រទេសវៀតណាម ប៉ុន្តែវិធីសាស្ត្រគណិតវិទ្យានេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់វិស័យកសិកម្មនៅកម្ពុជា។
សរុបមក ការអនុវត្តវិធីសាស្ត្រទស្សន៍ទាយកំណើននេះ នឹងជួយផ្លាស់ប្តូរទម្លាប់ចិញ្ចឹមសត្វតាមបែបប្រពៃណីនៅកម្ពុជា ទៅជាការចិញ្ចឹមផ្អែកលើទិន្នន័យវិទ្យាសាស្ត្រ ដែលមានប្រសិទ្ធភាពសេដ្ឋកិច្ចខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Asymptotic body weight (ទម្ងន់រាងកាយអតិបរមា ឬ ទម្ងន់ថេរពេលពេញវ័យ) | នៅក្នុងម៉ូដែលកំណើនជីវសាស្ត្រ វាគឺជាប៉ារ៉ាម៉ែត្រតំណាងឱ្យទម្ងន់ចុងក្រោយ ឬទម្ងន់ពេលពេញវ័យអតិបរមាដែលសត្វមួយអាចសម្រេចបាន នៅពេលដែលអត្រានៃការលូតលាស់របស់វាថយចុះរហូតដល់សូន្យ ឬថេរ។ | ដូចជាកម្ពស់អតិបរមារបស់មនុស្សពេញវ័យ ដែលមិនអាចលូតលាស់ខ្ពស់ជាងនេះទៀតទេ ទោះបីជាពេលវេលាកន្លងផុតទៅប៉ុណ្ណាក៏ដោយ។ |
| Janoschek model (ម៉ូដែល Janoschek) | គឺជាសមីការគណិតវិទ្យាមិនមែនលីនេអ៊ែរមួយប្រភេទដែលប្រើសម្រាប់ពណ៌នាពីខ្សែកោងកំណើនរបស់សត្វ ដោយវាមានប៉ារ៉ាម៉ែត្រដែលអាចបត់បែនខ្ពស់ក្នុងការកែតម្រូវរូបរាងខ្សែកោង (Shape parameter) ឱ្យស៊ីមេទ្រី ឬមិនស៊ីមេទ្រីទៅតាមទិន្នន័យជាក់ស្តែង។ | ដូចជាពុម្ពខ្សែកោងជ័រដែលអាចបត់បែនបានច្រើនទម្រង់ ដើម្បីគូសតម្រឹមតាមចំណុចទម្ងន់របស់ទាដែលកើនឡើងជារៀងរាល់សប្តាហ៍បានយ៉ាងត្រឹមត្រូវបំផុត។ |
| Akaike's information criterion / AIC (លក្ខណៈវិនិច្ឆ័យព័ត៌មាន Akaike) | ជារង្វាស់ស្ថិតិសម្រាប់វាយតម្លៃគុណភាពនៃម៉ូដែលគណិតវិទ្យា ដោយវាថ្លឹងថ្លែងរវាងភាពត្រឹមត្រូវនៃម៉ូដែល (Goodness of fit) និងភាពស្មុគស្មាញរបស់វា (ចំនួនប៉ារ៉ាម៉ែត្រ)។ ម៉ូដែលដែលមានតម្លៃ AIC តូចជាងគេ គឺជាម៉ូដែលដែលល្អបំផុត។ | ប្រៀបដូចជាការទិញទូរស័ព្ទ ដែលយើងចង់បានទូរស័ព្ទដែលដើរលឿនបំផុត (ភាពត្រឹមត្រូវ) តែមានតម្លៃធូរថ្លៃបំផុត (កាត់បន្ថយភាពស្មុគស្មាញ និងទំហំផ្ទុក)។ |
| Average weekly gain / AWG (កំណើនមធ្យមប្រចាំសប្តាហ៍) | គឺជាការគណនារកបរិមាណទម្ងន់ដែលសត្វកើនឡើងជាមធ្យមក្នុងមួយសប្តាហ៍ ដោយចែកទម្ងន់សរុបដែលកើនឡើង (ធៀបនឹងទម្ងន់ដើម) ទៅនឹងចំនួនសប្តាហ៍នៃអាយុរបស់វា។ វាត្រូវបានប្រើដើម្បីកំណត់អាយុសម្លាប់ដ៏ប្រសើរបំផុតនៅពេលដែល AWG ឡើងដល់កម្រិតអតិបរមា។ | ប្រៀបដូចជាការគណនាល្បឿនមធ្យមនៃការរត់របស់អ្នកពីចំណុចចាប់ផ្តើមរហូតដល់គោលដៅ ថាតើអ្នករត់បានប៉ុន្មានម៉ែត្រក្នុងមួយវិនាទី។ |
| Law of diminishing returns / LDR (ច្បាប់ទិន្នផលថយចុះ) | ក្នុងបរិបទសេដ្ឋកិច្ចនិងការចិញ្ចឹមសត្វ វាគឺជាបាតុភូតមួយដែលការផ្តល់ចំណីដល់សត្វនៅតែបន្តកើនឡើង ប៉ុន្តែអត្រានៃការឡើងទម្ងន់របស់សត្វចាប់ផ្តើមយឺតទៅៗ ដែលធ្វើឱ្យការចំណាយលើចំណីលែងស័ក្តិសមនឹងសាច់ដែលទទួលបាន។ | ដូចជាការញ៉ាំអាហារបំប៉នកាលពីក្មេងជួយឱ្យឆាប់លូតកម្ពស់ តែពេលដល់វ័យជិតពេញវ័យ ទោះញ៉ាំអាហារបំប៉នច្រើនប៉ុណ្ណាក៏លែងលូតកម្ពស់លឿនដូចមុនទៀតដែរ គឺមានតែខាតប្រាក់ទិញអាហារ។ |
| Inflection point (ចំណុចរបត់) | គឺជាចំណុចនៅលើខ្សែកោងកំណើន ដែលអត្រានៃការលូតលាស់ប្រែប្រួលពីទម្រង់ការកើនឡើងយ៉ាងលឿន (Accelerating phase) ទៅជាការកើនឡើងក្នុងល្បឿនយឺតវិញ (Decelerating phase)។ | ដូចជាចំណុចពាក់កណ្តាលភ្នំដែលរថយន្តកំពុងបើកឡើងយ៉ាងលឿនបំផុត រួចក៏ចាប់ផ្តើមបន្ថយល្បឿនបន្តិចម្តងៗនៅពេលខិតជិតដល់កំពូលភ្នំ។ |
| Coefficient of determination / R2 (មេគុណនៃការកំណត់) | គឺជារង្វាស់ស្ថិតិដែលបង្ហាញពីសមាមាត្រនៃបំរែបំរួលទិន្នន័យជាក់ស្តែង ដែលអាចពន្យល់បានដោយម៉ូដែលគណិតវិទ្យា។ តម្លៃកាន់តែខិតជិត 1 (ឬ 100%) មានន័យថាម៉ូដែលទស្សន៍ទាយបានកាន់តែត្រឹមត្រូវ និងស៊ីគ្នាជាមួយទិន្នន័យពិត។ | ដូចជាពិន្ទុនៃការបាញ់ស៊ីបព្រួញ បើអ្នកបាញ់ព្រួញត្រូវចំកណ្តាលរង្វង់ច្រើនដងជាប់ៗគ្នា (R2 ខ្ពស់ជិត ១០០%) នោះមានន័យថាការតម្រង់គោលដៅរបស់អ្នកគឺត្រឹមត្រូវ និងច្បាស់លាស់ខ្លាំងណាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
