បញ្ហា (The Problem)៖ ការសិក្សានេះស៊ើបអង្កេតពីកម្រិតនៃការយល់ឃើញ និងកត្តាប្រឈមរបស់កសិករខ្នាតតូចដែលដាំពោត ក្នុងការអនុវត្តយុទ្ធសាស្រ្តបន្ស៊ាំទៅនឹងការប្រែប្រួលអាកាសធាតុ នៅក្នុងសាលាក្រុង Greater Giyani ប្រទេសអាហ្វ្រិកខាងត្បូង។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រមូលទិន្នន័យពីកសិករខ្នាតតូចចំនួន ១៣០ នាក់ តាមរយៈការសម្ភាសន៍ដោយផ្ទាល់ និងធ្វើការវិភាគទិន្នន័យដោយប្រើប្រាស់ស្ថិតិពិពណ៌នា និងម៉ូដែលតំរែតំរង់ឡូជីស្ទីក។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Binary Logistic Regression ម៉ូដែលតំរែតំរង់ឡូជីស្ទីកទ្វេភាគ |
មានសមត្ថភាពខ្ពស់ក្នុងការដោះស្រាយជាមួយលទ្ធផលដែលមានទម្រង់ជាជម្រើសពីរ (ឧទាហរណ៍៖ វិជ្ជមាន ឬ អវិជ្ជមាន) និងងាយស្រួលបកស្រាយតាមរយៈផលធៀបហានិភ័យ (Odds Ratios)។ វាមានភាពរឹងមាំក្នុងការប្រើប្រាស់ជាមួយទិន្នន័យចម្រុះ។ | ទាមទារឱ្យមានទំនាក់ទំនងលីនេអ៊ែររវាងអថេរឯករាជ្យ និងលោការីតនៃហាងឆេង (Log odds) ហើយអាចត្រូវការទំហំគំរូធំល្មមដើម្បីទទួលបានស្ថិរភាព។ | បានរកឃើញថា កសិករដែលទទួលបានការព្យាករណ៍អាកាសធាតុមានឱកាសរហូតដល់ ២២ ដង (Exp(B) = 22.021) ក្នុងការយល់ឃើញវិជ្ជមានលើយុទ្ធសាស្រ្តបន្ស៊ាំ។ |
| Likert Scale Analysis & Descriptive Statistics ការវិភាគរង្វាស់ Likert និងស្ថិតិពិពណ៌នា |
ងាយស្រួលក្នុងការវាស់វែង និងបំប្លែងការយល់ឃើញ ឬអាកប្បកិរិយារបស់មនុស្សទៅជាទិន្នន័យបរិមាណ (តាមរយៈមាត្រដ្ឋាន ៥ កម្រិត)។ | អាចប្រឈមនឹងភាពលំអៀងដោយសារអ្នកឆ្លើយសំណួរអាចមាននិន្នាការជ្រើសរើសចម្លើយនៅកណ្តាលៗ ឬឆ្លើយដើម្បីបំពេញចិត្តអ្នកសម្ភាសន៍។ | បានគណនាពិន្ទុមធ្យម (៣.២៦ ជាបន្ទាត់គោល) និងរកឃើញថា ៥៥,១% នៃកសិករមានការយល់ឃើញវិជ្ជមាន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនទាមទារធនធានកុំព្យូទ័រធំដុំនោះទេ ប៉ុន្តែវាទាមទារពេលវេលា និងធនធានមនុស្សសម្រាប់ការចុះប្រមូលទិន្នន័យដោយផ្ទាល់ និងកម្មវិធីវិភាគទិន្នន័យស្ថិតិស្តង់ដារ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងសាលាក្រុង Greater Giyani ខេត្ត Limpopo ប្រទេសអាហ្វ្រិកខាងត្បូង ដោយផ្តោតលើកសិករដាំពោតខ្នាតតូចចំនួន ១៣០ នាក់ ដែលមានអាយុជាមធ្យម ៥៧ ឆ្នាំ ភាគច្រើនជានារី (៦០,៨%) និងគ្មានការងារធ្វើ (៧៥,៤%)។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះបង្ហាញពីភាពស្រដៀងគ្នានៃបញ្ហាប្រឈមនឹងអាកាសធាតុរបស់កសិករ ប៉ុន្តែបរិបទប្រជាសាស្ត្រ និងសេដ្ឋកិច្ចសង្គមអាចមានភាពខុសគ្នា ដែលទាមទារឲ្យមានការផ្ទៀងផ្ទាត់ឡើងវិញនៅពេលអនុវត្តក្នុងស្រុក។
វិធីសាស្រ្ត និងរបកគំហើញនៃការសិក្សានេះ មានភាពពាក់ព័ន្ធ និងអាចយកមកអនុវត្តបានយ៉ាងល្អនៅក្នុងការរៀបចំគោលនយោបាយកសិកម្មរបស់ប្រទេសកម្ពុជា។
ជារួម ការលើកកម្ពស់ប្រព័ន្ធចែករំលែកព័ត៌មានអាកាសធាតុ និងការចងក្រងសហគមន៍កសិករ គឺជាគន្លឹះដ៏មានប្រសិទ្ធភាពបំផុតដែលអាចយកមកអនុវត្តនៅកម្ពុជា ដើម្បីបង្កើនភាពធន់នឹងការប្រែប្រួលអាកាសធាតុ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Binary Logistic Regression Model (ម៉ូដែលតំរែតំរង់ឡូជីស្ទីកទ្វេភាគ) | ជាវិធីសាស្ត្រស្ថិតិមួយដែលប្រើសម្រាប់ទស្សន៍ទាយលទ្ធផលដែលមានតែជម្រើសពីរ (ឧទាហរណ៍៖ យល់ព្រម ឬ មិនយល់ព្រម, ជោគជ័យ ឬ បរាជ័យ) ដោយផ្អែកលើកត្តាជម្រុញផ្សេងៗ (អថេរឯករាជ្យ) ដូចជាអាយុ ចំណូល ឬការអប់រំ។ នៅក្នុងការសិក្សានេះ គេប្រើវាដើម្បីរកមើលថាតើកត្តាណាខ្លះដែលធ្វើឲ្យកសិករមានការយល់ឃើញវិជ្ជមាន ឬអវិជ្ជមាន។ | ដូចជាការទស្សន៍ទាយថា "ភ្លៀង" ឬ "មិនភ្លៀង" ដោយប្រមូលទិន្នន័យមើលលើកត្តាដូចជា ពពក ខ្យល់ និងសីតុណ្ហភាព។ |
| Odds Ratio (ផលធៀបហានិភ័យ ឬ អត្រាឱកាស) | ជារង្វាស់នៅក្នុងស្ថិតិដែលបង្ហាញពីកម្រិតនៃឱកាសដែលព្រឹត្តិការណ៍មួយនឹងកើតឡើង ធៀបទៅនឹងឱកាសដែលវាមិនកើតឡើង នៅពេលមានកត្តាណាមួយប្រែប្រួល។ ក្នុងអត្ថបទនេះ វាវាស់ស្ទង់ថា តើកសិករដែលជាសមាជិកសហគមន៍មានឱកាសយល់ដឹងពីការបន្ស៊ាំអាកាសធាតុខ្ពស់ជាងកសិករមិនមែនសមាជិកប៉ុន្មានដង។ | ដូចជាការនិយាយវិភាគថា "អ្នកពាក់មួកសុវត្ថិភាពមានឱកាសរស់រានមានជីវិតពីគ្រោះថ្នាក់ចរាចរណ៍ ៣ ដង ខ្ពស់ជាងអ្នកមិនពាក់មួក។" |
| Variance Inflation Factor (កត្តាអតិផរណានៃវ៉ារ្យ៉ង់ / VIF) | ជារង្វាស់ស្ថិតិដែលប្រើដើម្បីត្រួតពិនិត្យមើលបញ្ហា Multicollinearity (ទំនាក់ទំនងជាន់គ្នាខ្លាំងពេក) រវាងអថេរឯករាជ្យនៅក្នុងម៉ូដែលតំរែតំរង់។ បើតម្លៃ VIF ធំជាង ១០ មានន័យថាទិន្នន័យមានភាពជាន់គ្នាខ្លាំង ដែលធ្វើឲ្យលទ្ធផលវិភាគលែងសូវច្បាស់លាស់។ | ដូចជាការដែលមានសាក្សីពីរនាក់ឆ្លើយរឿងដូចគ្នាបេះបិទ ដែលធ្វើឲ្យយើងមិនទទួលបានព័ត៌មានថ្មីបន្ថែម ហើយថែមទាំងធ្វើឲ្យស្មុគស្មាញដល់ការវិនិច្ឆ័យ។ |
| Snowball Sampling (បច្ចេកទេសជ្រើសរើសសំណាកតាមបែបព្រិលធ្លាក់) | ជាវិធីសាស្ត្រជ្រើសរើសអ្នកចូលរួមក្នុងការស្រាវជ្រាវ ដែលអ្នកស្រាវជ្រាវពឹងផ្អែកលើអ្នកចូលរួមដំបូង (Seeds) ឲ្យជួយណែនាំ ឬចង្អុលបង្ហាញអ្នកចូលរួមបន្ទាប់ទៀត ដែលមានលក្ខណៈសម្បត្តិស្រដៀងគ្នា។ វិធីនេះល្អសម្រាប់ស្វែងរកក្រុមមនុស្សដែលពិបាកទាក់ទងជាសាធារណៈ។ | ដូចជាការសួរមិត្តភក្តិម្នាក់ឲ្យណែនាំមិត្តភក្តិរបស់គេម្នាក់ទៀត ហើយម្នាក់ទៀតនោះណែនាំបន្តបន្ទាប់គ្នា រហូតបានចំនួនមនុស្សច្រើនដូចដុំព្រិលដែលរមៀលកាន់តែធំ។ |
| Purposive Sampling (ការជ្រើសរើសសំណាកតាមគោលដៅ) | ជាវិធីសាស្ត្រជ្រើសរើសសំណាកដោយអ្នកស្រាវជ្រាវប្រើប្រាស់ការវិនិច្ឆ័យផ្ទាល់ខ្លួន ដើម្បីរើសយកអ្នកចូលរួមណាដែលមានលក្ខណៈសម្បត្តិជាក់លាក់ស័ក្តិសមបំផុតទៅនឹងគោលបំណងនៃការសិក្សា (ឧទាហរណ៍៖ ការចុះទៅជ្រើសយកតែកសិករដាំពោតខ្នាតតូចដែលរងគ្រោះដោយអាកាសធាតុ)។ | ដូចជាការជ្រើសរើសយកតែសិស្សដែលចេះលេងបាល់ទាត់ប៉ុណ្ណោះ មកធ្វើជាសមាជិកក្រុមបាល់ទាត់សាលា ដោយមិនចាប់ឆ្នោតរើសសិស្សទូទៅឡើយ។ |
| Crop diversification (ការធ្វើពិពិធកម្មដំណាំ) | ជាយុទ្ធសាស្ត្រកសិកម្មដែលកសិករដាំដុះដំណាំច្រើនមុខខុសៗគ្នានៅលើផ្ទៃដីតែមួយ ឬផ្លាស់ប្តូរមុខដំណាំតាមរដូវកាល ដើម្បីកាត់បន្ថយហានិភ័យនៃការខូចខាតទាំងស្រុងដោយសារគ្រោះរាំងស្ងួត ជំងឺ ឬសត្វល្អិតបំផ្លាញ ព្រមទាំងជួយរក្សាជីជាតិដី។ | ដូចជាការមិនដាក់ស៊ុតទាំងអស់ក្នុងកន្ត្រកតែមួយ ប្រសិនបើកន្ត្រកមួយធ្លាក់ អ្នកនៅតែសល់ស៊ុតក្នុងកន្ត្រកផ្សេងទៀត។ |
| Multicollinearity (ពហុកូលីនេអ៊ែរ ឬ ភាពអាស្រ័យគ្នាទ្វេគុណ) | ជាបាតុភូតក្នុងស្ថិតិដែលអថេរឯករាជ្យពីរ ឬច្រើននៅក្នុងម៉ូដែលតំរែតំរង់ មានទំនាក់ទំនងគ្នាទៅវិញទៅមកយ៉ាងខ្លាំង (Correlated)។ បញ្ហានេះធ្វើឲ្យម៉ូដែលពិបាកក្នុងការកំណត់ថា តើអថេរមួយណាពិតជាអ្នកជះឥទ្ធិពលទៅលើលទ្ធផលពិតប្រាកដ។ | ដូចជាការព្យាយាមស្វែងរកថា តើកម្ដៅថ្ងៃ ឬ អាកាសធាតុស្ងួត ដែលធ្វើឲ្យដើមឈើស្វិត ក្នុងពេលដែលកត្តាទាំងពីរនេះតែងតែកើតឡើងព្រមគ្នារហូត។ |
| Likert scale (រង្វាស់ ឬមាត្រដ្ឋាន លីខឺត) | ជាប្រភេទកម្រងសំណួរដែលប្រើសម្រាប់វាស់ស្ទង់អាកប្បកិរិយា ឬការយល់ឃើញរបស់មនុស្ស ដោយតម្រូវឲ្យពួកគេជ្រើសរើសកម្រិតនៃការយល់ព្រមរបស់ខ្លួន (ឧទាហរណ៍៖ ពី "មិនយល់ព្រមទាល់តែសោះ" រហូតដល់ "យល់ព្រមយ៉ាងខ្លាំង") ដែលជាធម្មតាមាន ៥ ឬ ៧ កម្រិតជម្រើស។ | ដូចជាការផ្តល់ពិន្ទុផ្កាយពី ១ ដល់ ៥ ទៅលើសេវាកម្មភោជនីយដ្ឋាន ដើម្បីបង្ហាញពីកម្រិតនៃការពេញចិត្តរបស់អ្នក។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
