បញ្ហា (The Problem)៖ ថ្វីត្បិតតែមានការជជែកវែកញែកយ៉ាងទូលំទូលាយអំពីអាហារកែប្រែហ្សែន (GM foods) ការយល់ឃើញ និងចេតនារបស់អ្នកប្រើប្រាស់នៅក្នុងទីផ្សារកំពុងអភិវឌ្ឍន៍ដូចជាប្រទេសថៃនៅមិនទាន់ត្រូវបានសិក្សាគ្រប់គ្រាន់នៅឡើយ។ ការសិក្សានេះមានគោលបំណងស្វែងយល់ពីកត្តាសំខាន់ៗ ដែលជះឥទ្ធិពលដល់ចេតនាទិញអាហារ GM របស់អ្នកប្រើប្រាស់ថៃ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រមូលទិន្នន័យពីអ្នកចូលរួមចំនួន ៣៨២ នាក់តាមរយៈការស្ទង់មតិអនឡាញនៅក្នុងទីក្រុងបាងកក និងធ្វើការវិភាគទំនាក់ទំនងនៃអថេរផ្សេងៗដោយផ្អែកលើទ្រឹស្តីសកម្មភាពសមហេតុផល (TRA)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Partial Least Squares Structural Equation Modelling (PLS-SEM) ម៉ូដែលសមីការរចនាសម្ព័ន្ធដោយវិធីការ៉េអប្បបរមាដោយផ្នែក |
មានសមត្ថភាពខ្ពស់ក្នុងការវិភាគទំនាក់ទំនងស្មុគស្មាញ និងវាស់ស្ទង់ឥទ្ធិពលប្រយោល (Mediation) រវាងអថេរច្រើនក្នុងពេលតែមួយ។ | ទាមទារកម្មវិធីជំនាញ និងចំណេះដឹងផ្នែកស្ថិតិកម្រិតខ្ពស់ដើម្បីបកស្រាយលទ្ធផលឱ្យបានត្រឹមត្រូវ។ | មានថាមពលទស្សន៍ទាយខ្ពស់ជាងម៉ូដែលលីនេអ៊ែរ ដោយមានតម្លៃកំហុស (RMSE) ទាបជាងលើគ្រប់សូចនាករ។ |
| Naïve Linear Regression Model (LM Benchmark) ម៉ូដែលតំរែតំរង់លីនេអ៊ែរធម្មតា |
ងាយស្រួលយល់ និងងាយស្រួលអនុវត្តដោយមិនត្រូវការកម្មវិធីស្ថិតិស្មុគស្មាញ ឬធនធានកុំព្យូទ័រខ្ពស់។ | មិនអាចចាប់យកទំនាក់ទំនងអថេរដែលលាក់បាំង (Latent variables) និងទំនាក់ទំនងពហុកម្រិតបានល្អនោះទេ។ | តម្លៃកំហុស (RMSE) ខ្ពស់ជាង PLS-SEM នៅក្នុងការសាកល្បង PLSpredict ដែលបង្ហាញពីភាពខ្សោយក្នុងការទស្សន៍ទាយទិន្នន័យក្រៅសំណាក។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានរៀបរាប់លម្អិតពីការចំណាយហិរញ្ញវត្ថុនោះទេ ប៉ុន្តែបានបញ្ជាក់ពីតម្រូវការកម្មវិធីស្ថិតិ និងធនធានសម្រាប់ការប្រមូលទិន្នន័យ។
ការសិក្សានេះប្រើប្រាស់ការជ្រើសរើសសំណាកតាមភាពងាយស្រួល (Convenience Sampling) នៅក្នុងទីក្រុងបាងកក ដោយអ្នកចូលរួមភាគច្រើនលើសលប់ជាយុវជនជំនាន់ Z (៧៥.៤%) ជាស្ត្រី (៥៧.៦%) និងមានការអប់រំកម្រិតសាកលវិទ្យាល័យ (៧៨.៨%)។ ភាពលំអៀងនេះមានសារៈសំខាន់ណាស់សម្រាប់ប្រទេសកម្ពុជា ពីព្រោះលទ្ធផលនេះអាចឆ្លុះបញ្ចាំងបានតែអាកប្បកិរិយារបស់អ្នករស់នៅទីក្រុងភ្នំពេញដែលមានការអប់រំខ្ពស់ប៉ុណ្ណោះ តែមិនអាចតំណាងឱ្យប្រជាជនទូទៅនៅតាមបណ្តាខេត្តនានាដែលមានការយល់ដឹងពីបច្ចេកវិទ្យាហ្សែនខុសគ្នានោះទេ។
ទោះបីជាធ្វើឡើងនៅប្រទេសថៃក៏ដោយ វិធីសាស្ត្រ និងទ្រឹស្តីនៃការសិក្សានេះមានភាពពាក់ព័ន្ធ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់បរិបទប្រទេសកម្ពុជាដែលកំពុងនាំចូលអាហារច្រើន។
សរុបមក ការយល់ដឹងអំពីកត្តាដែលជះឥទ្ធិពលលើការយល់ឃើញពីហានិភ័យ និងអត្ថប្រយោជន៍ គឺជាឧបករណ៍ដ៏មានតម្លៃសម្រាប់អ្នករៀបចំគោលនយោបាយ និងក្រុមហ៊ុនចំណីអាហារនៅកម្ពុជា ក្នុងការកសាងយុទ្ធសាស្ត្រទីផ្សារ និងការអប់រំ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Genetically Modified Organisms (GMOs) (សារពាង្គកាយកែប្រែហ្សែន) | សារពាង្គកាយ (រុក្ខជាតិ សត្វ ឬអតិសុខុមប្រាណ) ដែលត្រូវបានគេផ្លាស់ប្តូរសម្ភារៈសេនេទិច (DNA) តាមរយៈបច្ចេកវិទ្យាជីវសាស្ត្រ ដែលមិនអាចកើតឡើងដោយធម្មជាតិ ដើម្បីទទួលបានលក្ខណៈពិសេសដូចជា ការធន់នឹងសត្វល្អិត ឬការបង្កើនទិន្នផល និងគុណភាពអាហារូបត្ថម្ភ។ | ដូចជាការសរសេរកូដ (Code) កម្មវិធីឡើងវិញ ដើម្បីឱ្យរុក្ខជាតិមានសមត្ថភាពពិសេស ដូចជាធន់នឹងភាពរាំងស្ងួត ឬមិនខ្លាចសត្វល្អិត។ |
| Partial Least Squares Structural Equation Modelling (PLS-SEM) (ម៉ូដែលសមីការរចនាសម្ព័ន្ធដោយវិធីការ៉េអប្បបរមាដោយផ្នែក) | ជាវិធីសាស្ត្រស្ថិតិមួយប្រភេទដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងការស្រាវជ្រាវទីផ្សារ ដើម្បីវិភាគទំនាក់ទំនងស្មុគស្មាញរវាងអថេរដែលមិនអាចវាស់វែងដោយផ្ទាល់បាន (ឧទាហរណ៍៖ អាកប្បកិរិយា ចេតនា ចំណេះដឹង) និងដើម្បីសាកល្បងសម្មតិកម្មច្រើនក្នុងពេលតែមួយ។ | ដូចជាឧបករណ៍ស្កែនមួយដែលជួយឱ្យយើងមើលឃើញពីរបៀបដែលកត្តាផ្សេងៗ (ដូចជាចំណេះដឹង និងចំណូលចិត្ត) តភ្ជាប់និងជះឥទ្ធិពលដល់ការសម្រេចចិត្តទិញរបស់មនុស្សម្នាក់។ |
| Theory of Reasoned Action (TRA) (ទ្រឹស្តីសកម្មភាពសមហេតុផល) | ជាទ្រឹស្តីចិត្តសាស្ត្រដែលពន្យល់ថា អាកប្បកិរិយារបស់មនុស្សម្នាក់គឺត្រូវបានជំរុញដោយ "ចេតនា" របស់ពួកគេ ហើយចេតនានេះកើតចេញពីអាកប្បកិរិយាផ្ទាល់ខ្លួនរបស់ពួកគេចំពោះសកម្មភាពនោះ និងឥទ្ធិពលពីបរិយាកាសសង្គមជុំវិញខ្លួន។ | ដូចជាការនិយាយថា "បើអ្នកគិតថាការហាត់ប្រាណល្អ ហើយមិត្តភក្តិអ្នកក៏គាំទ្រ នោះអ្នកនឹងមានចេតនាទៅហាត់ប្រាណពិតប្រាកដមែន"។ |
| Net Valence Model (NVM) (ម៉ូដែលតម្លៃសុទ្ធ) | ក្របខ័ណ្ឌវាយតម្លៃដែលសន្មតថា អ្នកប្រើប្រាស់ធ្វើការសម្រេចចិត្តដោយថ្លឹងថ្លែងរវាង "អត្ថប្រយោជន៍ដែលទទួលបាន" និង "ហានិភ័យដែលអាចកើតមាន" ដើម្បីទាញយកតម្លៃរួមឬភាពទាក់ទាញរួមនៃផលិតផលមួយមុននឹងសម្រេចចិត្តទិញ។ | ដូចជាការថ្លឹងជញ្ជីងមួយដែលម្ខាងជាផលចំណេញ និងម្ខាងទៀតជាការខាតបង់ ប្រសិនបើផលចំណេញធ្ងន់ជាង អ្នកនឹងសម្រេចចិត្តជ្រើសរើសវា។ |
| Heterotrait-Monotrait Ratio (HTMT) (អនុបាតវាយតម្លៃភាពខុសគ្នានៃអថេរ) | រង្វាស់ស្ថិតិនៅក្នុង PLS-SEM ដែលប្រើសម្រាប់បញ្ជាក់ពី "Discriminant Validity" មានន័យថាវាជួយវាស់ស្ទង់ថាតើអថេរដែលយើងបង្កើតឡើង (ឧ. ចំណេះដឹង និង អាកប្បកិរិយា) ពិតជាមានភាពខុសគ្នាដាច់ពីគ្នា ឬត្រួតស៊ីគ្នានោះទេ។ តម្លៃដែលល្អនិងអាចទទួលយកបានគឺត្រូវតិចជាង ០.៩។ | ដូចជាការធ្វើតេស្ត DNA ដើម្បីបញ្ជាក់ថាមនុស្សពីរនាក់ពិតជាមិនមែនជាមនុស្សតែមួយ ឬមិនមែនជាកូនភ្លោះ ដែលមានលក្ខណៈដូចគ្នាពេក។ |
| Convergent Validity (សុពលភាពរួមបញ្ចូល) | ជាការបញ្ជាក់ក្នុងស្ថិតិថាសំណួរ (Indicators) ផ្សេងៗគ្នាដែលត្រូវបានបង្កើតឡើងដើម្បីវាស់ស្ទង់គំនិតតែមួយ (Construct) ពិតជាមានភាពស៊ីសង្វាក់គ្នា និងវាស់ស្ទង់ចំគោលដៅតែមួយប្រាកដមែន ដោយផ្អែកលើទំហំ AVE (Average Variance Extracted) និង Factor Loading។ | ដូចជាការប្រើប្រាស់បន្ទាត់ ខ្សែម៉ែត្រ និងម៉ាស៊ីនវាស់ឡាស៊ែរ ដើម្បីវាស់ប្រវែងតុមួយ ហើយឧបករណ៍ទាំង៣បង្ហាញលទ្ធផលប្រហាក់ប្រហែលគ្នា។ |
| Bootstrapping (បច្ចេកទេស Bootstrapping) | ជាបច្ចេកទេសក្នុងការវិភាគទិន្នន័យដែលបង្កើតទិន្នន័យសំណាកថ្មីៗរាប់ពាន់ដង (Resampling) ពីទិន្នន័យដើមតែមួយ ដើម្បីសាកល្បងភាពជឿជាក់នៃលទ្ធផលទក្ស និងដើម្បីវាស់ស្ទង់ថាតើឥទ្ធិពលប្រយោល (Mediation Effect) រវាងអថេរពិតជាមានអត្ថន័យផ្នែកស្ថិតិឬទេ។ | ដូចជាការចាប់ឆ្នោតម្តងហើយម្តងទៀតរាប់ពាន់ដងពីធុងតែមួយ ដើម្បីចង់ដឹងថាតើលទ្ធផលដែលយើងឃើញគឺជារឿងចៃដន្យ ឬជាការពិតដែលមិនប្រែប្រួល។ |
| Out-of-Sample Prediction (ការទស្សន៍ទាយក្រៅសំណាកទិន្នន័យ) | ការប្រើប្រាស់កម្មវិធីដូចជា PLSpredict ដើម្បីវាស់ស្ទង់ថាតើម៉ូដែលស្រាវជ្រាវនេះមានសមត្ថភាពទស្សន៍ទាយលទ្ធផលបានត្រឹមត្រូវកម្រិតណា នៅពេលដែលវាត្រូវបានសាកល្បងជាមួយនឹងទិន្នន័យថ្មីដែលមិនធ្លាប់មានក្នុងសំណាកស្រាវជ្រាវ (Training data)។ | ដូចជាសិស្សដែលប្រឡងជាប់សំណួរក្នុងសៀវភៅមេរៀន ហើយគ្រូចង់ដឹងថាបើចេញវិញ្ញាសាថ្មីស្រឡាងដែលមិនធ្លាប់រៀន តើសិស្សនោះនៅតែអាចដោះស្រាយបានកម្រិតណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
