បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាគម្លាតរវាងការសិក្សាស្រាវជ្រាវជឿនលឿនលើកសិកម្មឆ្លាតវៃនៅប្រទេសអភិវឌ្ឍន៍ និងការអនុវត្តជាក់ស្តែងនៅតាមតំបន់កំពុងអភិវឌ្ឍន៍ដូចជាប្រទេសឥណ្ឌូនេស៊ី ជាពិសេសការមើលរំលងការចូលរួមរបស់យុវជន និងវិមាត្រសង្គម-អាកប្បកិរិយា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រចម្រុះ (Mixed-methods approach) ដោយរួមបញ្ចូលការវិភាគទិន្នន័យគន្ថនិទ្ទេស និងការស្ទង់មតិនៅទីវាល ដើម្បីភ្ជាប់គម្លាតរវាងទ្រឹស្តីសិក្សា និងការអនុវត្តជាក់ស្តែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Scientometric Mapping ការគូសផែនទីវិទ្យាសាស្ត្រ (ដើម្បីវិភាគនិន្នាការនៃការបោះពុម្ពផ្សាយសកល) |
ផ្តល់នូវទិដ្ឋភាពទូទៅជាប្រព័ន្ធ និងការវិភាគនិន្នាការស្រាវជ្រាវសកលបានទូលំទូលាយ ដោយបង្ហាញពីបណ្ដុំប្រធានបទធំៗ។ | មិនអាចឆ្លុះបញ្ចាំងពីតថភាពជាក់ស្តែងនៅកម្រិតមូលដ្ឋានបានឡើយ និងច្រើនតែមើលរំលងទិន្នន័យពីប្រទេសកំពុងអភិវឌ្ឍន៍។ | រកឃើញថាការស្រាវជ្រាវសកលផ្តោតខ្លាំងលើបច្ចេកវិទ្យា (IoT, Precision farming) ប៉ុន្តែខ្វះការសិក្សាពីការចូលរួមរបស់យុវជន។ |
| Field-based Survey Research ការស្រាវជ្រាវតាមការស្ទង់មតិនៅទីវាល (លើការយល់ឃើញរបស់យុវជន) |
អាចចាប់យកទិន្នន័យជាក់ស្តែងអំពីការយល់ដឹង អាកប្បកិរិយា និងបញ្ហាប្រឈមរបស់យុវជននៅក្នុងបរិបទមូលដ្ឋាន។ | ទំហំសំណាកមានកំណត់ (ត្រឹម ៩០នាក់) ហើយទិន្នន័យផ្អែកលើការវាយតម្លៃដោយខ្លួនឯង ដែលអាចមានភាពលម្អៀង។ | យុវជនមានការយល់ដឹងខ្ពស់ពីអត្ថប្រយោជន៍ (ពិន្ទុមធ្យម ៣.៦៣) ប៉ុន្តែមានការចូលរួមអនុវត្តជាក់ស្តែងទាប។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់អំពីតម្លៃចំណាយផ្ទាល់ក្តី ក៏ការសិក្សានេះទាមទារនូវឧបករណ៍វិភាគទិន្នន័យកម្រិតខ្ពស់ និងធនធានសម្រាប់ការចុះប្រមូលទិន្នន័យនៅទីវាល។
ការសិក្សានេះប្រមូលទិន្នន័យពីយុវជនឥណ្ឌូនេស៊ីចំនួន ៩០នាក់ ដែលភាគច្រើនជានិស្សិតសាកលវិទ្យាល័យអាយុចន្លោះ ២០-២៥ឆ្នាំ។ ទិន្នន័យនេះមានភាពលម្អៀងទៅរកយុវជនដែលមានកម្រិតអប់រំខ្ពស់ និងមានចំណេះដឹងផ្នែកឌីជីថលស្រាប់។ សម្រាប់ប្រទេសកម្ពុជា ចំណុចនេះមានសារៈសំខាន់ណាស់ ព្រោះយុវជននៅតាមតំបន់ជនបទអាចមានកម្រិតអក្ខរកម្មឌីជីថល និងលទ្ធភាពទទួលបានហេដ្ឋារចនាសម្ព័ន្ធខុសគ្នាឆ្ងាយពីនិស្សិតនៅទីក្រុង ដែលតម្រូវឱ្យមានការបន្សាំវិធីសាស្ត្រ។
វិធីសាស្ត្រ និងរបកគំហើញនៃការសិក្សានេះ មានសារៈសំខាន់ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់ជំរុញនវានុវត្តន៍កសិកម្មនៅកម្ពុជា។
ការបិទគម្លាតរវាងចំណេះដឹងទ្រឹស្តី និងការអនុវត្តជាក់ស្តែង តាមរយៈការដាក់បញ្ចូលយុវជនជាសហអ្នកបង្កើត (Co-creators) គឺជាគន្លឹះឆ្ពោះទៅរកការអភិវឌ្ឍកសិកម្មប្រកបដោយនិរន្តរភាពនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Scientometric Mapping | វិធីសាស្ត្រវិភាគទិន្នន័យស្រាវជ្រាវតាមបែបបរិមាណ ដើម្បីបង្ហាញពីទិដ្ឋភាពទូទៅ និន្នាការ និងទំនាក់ទំនងនៃប្រធានបទវិទ្យាសាស្ត្រនានាជុំវិញពិភពលោក។ វិធីនេះជួយឱ្យអ្នកស្រាវជ្រាវដឹងថា អ្នកវិទ្យាសាស្ត្រផ្សេងទៀតកំពុងផ្តោតលើអ្វី និងមានចន្លោះប្រហោងត្រង់ណា។ | ដូចជាការថតរូបមើលពីលើអាកាសទៅលើបណ្ណាល័យដ៏ធំមួយ ដើម្បីមើលថាតើសៀវភៅប្រភេទណាខ្លះកំពុងពេញនិយមជាងគេ។ |
| Precision farming | ការអនុវត្តកសិកម្មដែលប្រើប្រាស់បច្ចេកវិទ្យាទំនើប ដើម្បីគ្រប់គ្រង និងវាស់វែងយ៉ាងច្បាស់លាស់នូវតម្រូវការរបស់ដំណាំ ដូចជាការផ្តល់ទឹក និងជី ក្នុងគោលបំណងកាត់បន្ថយការខ្ជះខ្ជាយ និងបង្កើនទិន្នផលជាអតិបរមា។ | ដូចជាការផ្តល់ថ្នាំពេទ្យទៅអ្នកជំងឺក្នុងកម្រិតត្រឹមត្រូវនិងចំពេលកំណត់ ជំនួសឱ្យការឱ្យថ្នាំអ្នករាល់គ្នាដោយស្មានៗ។ |
| Internet of Things (IoT) | ប្រព័ន្ធបណ្តាញដែលភ្ជាប់ឧបករណ៍ប្រើប្រាស់នានា (ដូចជាឧបករណ៍វាស់កម្តៅ សំណើមដី) ទៅកាន់អ៊ីនធឺណិត ដើម្បីប្រមូលទិន្នន័យ និងបញ្ជាឧបករណ៍ទាំងនោះឱ្យធ្វើការដោយស្វ័យប្រវត្តិដោយមិនបាច់មានមនុស្សចាំបញ្ជាផ្ទាល់។ | ដូចជាការបង្រៀនឱ្យម៉ាស៊ីនបូមទឹកចេះផ្ញើសារប្រាប់យើងពេលដីស្ងួត និងចេះបើកទឹកស្រោចដោយខ្លួនឯង។ |
| Remote sensing | បច្ចេកវិទ្យាប្រមូលទិន្នន័យ និងត្រួតពិនិត្យស្ថានភាពដីឬដំណាំពីចម្ងាយ ដោយប្រើប្រាស់ឧបករណ៍បំពាក់លើដ្រូន (Drones) ឬផ្កាយរណប ដើម្បីវាយតម្លៃសុខភាពដំណាំដោយមិនចាំបាច់ដើរចុះទៅវាលផ្ទាល់។ | ដូចជាការប្រើប្រាស់កែវយឺតដ៏ឆ្លាតវៃពីលើមេឃ ដើម្បីស្កេនមើលថាដើមឈើមួយណាឈឺ ឬត្រូវការទឹក។ |
| Knowledge-practice gap | ស្ថានភាពដែលកើតមាននៅពេលដែលមនុស្សមានការយល់ដឹង និងចំណេះដឹងខ្ពស់លើបញ្ហា ឬបច្ចេកវិទ្យាអ្វីមួយ (ដូចជាយុវជនយល់ដឹងពីកសិកម្មឆ្លាតវៃ) ប៉ុន្តែខ្វះខាតធនធាន ឱកាស ឬការគាំទ្រក្នុងការអនុវត្តវាផ្ទាល់នៅក្នុងជីវិតជាក់ស្តែង។ | ដូចជានិស្សិតម្នាក់ដែលចេះទ្រឹស្តីហែលទឹកយ៉ាងស្ទាត់ជំនាញ តែមិនដែលបានចុះហែលក្នុងអាងទឹកពិតប្រាកដ។ |
| Climate-smart agriculture | វិធីសាស្ត្រធ្វើកសិកម្មដែលជួយបង្កើនផលិតភាព ទន្ទឹមនឹងការកសាងភាពធន់ទៅនឹងការប្រែប្រួលអាកាសធាតុ ព្រមទាំងជួយកាត់បន្ថយការបញ្ចេញឧស្ម័នផ្ទះកញ្ចក់ពីការធ្វើកសិកម្ម។ | ដូចជាការរចនាផ្ទះដែលអាចការពារទាំងកម្តៅថ្ងៃ ទាំងខ្យល់ព្យុះ ហើយថែមទាំងមិនធ្វើឱ្យប៉ះពាល់ដល់បរិស្ថានជុំវិញ។ |
| Machine learning | បច្ចេកទេសមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលផ្តល់លទ្ធភាពឱ្យប្រព័ន្ធកុំព្យូទ័ររៀនសូត្រពីទិន្នន័យកសិកម្មចាស់ៗ (ឧទាហរណ៍៖ ទិន្នន័យអាកាសធាតុ កំណើនដំណាំ) ដើម្បីធ្វើការទស្សន៍ទាយ ឬសម្រេចចិត្តដោយស្វ័យប្រវត្តិ។ | ដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វឆ្កែដោយបង្ហាញរូបភាពឆ្កែរាប់ពាន់សន្លឹក រហូតដល់គេអាចចំណាំឆ្កែបានដោយខ្លួនឯងនៅពេលក្រោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
