Original Title: Digital Pathways Toward Sustainability in Agri-Food Waste: A Systematic Review
Source: doi.org/10.3390/resources14080126
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

មាគ៌ាឌីជីថលឆ្ពោះទៅរកចីរភាពនៅក្នុងសំណល់កសិ-អាហារ៖ ការត្រួតពិនិត្យជាប្រព័ន្ធ

ចំណងជើងដើម៖ Digital Pathways Toward Sustainability in Agri-Food Waste: A Systematic Review

អ្នកនិពន្ធ៖ Riccardo Censi (Sapienza University of Rome), Paola Campana, Anna Maria Tarola, Roberto Ruggieri

ឆ្នាំបោះពុម្ព៖ 2025, Resources

វិស័យសិក្សា៖ Environmental Sustainability and Technology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ វិស័យកសិ-អាហារកំពុងប្រឈមនឹងបញ្ហាសំណល់យ៉ាងធ្ងន់ធ្ងរ ដែលជះឥទ្ធិពលអវិជ្ជមានដល់បរិស្ថាន និងសេដ្ឋកិច្ច ទាមទារឱ្យមានការផ្លាស់ប្តូរគំរូគ្រប់គ្រងពីការបោះចោលទៅជាការប្រើប្រាស់ធនធានវិលជុំនិងប្រកបដោយភាពឆ្លាតវៃ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការត្រួតពិនិត្យឯកសារជាប្រព័ន្ធ និងការវិភាគគន្ថនិទ្ទេសទៅលើការបោះពុម្ពផ្សាយចាប់ពីឆ្នាំ ២០១៥ ដល់ ២០២៥។

ការប្រមូលនិងចម្រាញ់ទិន្នន័យតាមគោលការណ៍ណែនាំ PRISMA (PRISMA Guidelines)
ការវិភាគគន្ថនិទ្ទេស និងការគូសផែនទីបណ្តាញដោយប្រើកម្មវិធី (VOSviewer Bibliometric Analysis)
ការវិភាគប្រធានបទគុណភាពលើអត្ថបទដែលត្រូវបានដកស្រង់ច្រើនបំផុតចំនួន ២០ (Qualitative Thematic Analysis)

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ការវិភាគលើអត្ថបទចំនួន ៣៧៣ បានរកឃើញបណ្តុំស្រាវជ្រាវសំខាន់ៗចំនួន ៦ (Six major research clusters) ដែលគ្របដណ្តប់ពីការវិភាគសំណល់ជាមុន រហូតដល់ការអនុវត្តសេដ្ឋកិច្ចជីវសាស្រ្តវិលជុំ។
បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) ក្លាយជាកត្តាជំរុញដ៏សំខាន់ ដោយការសាកល្បងជាក់ស្តែងតាមប្រព័ន្ធ Winnow បង្ហាញថាវាអាចជួយកាត់បន្ថយសំណល់អាហារបានរហូតដល់ ៥០% និងផ្តល់ប្រាក់ចំណេញត្រឡប់មកវិញខ្ពស់។
ប្រទេសចិន អាល្លឺម៉ង់ និងអេហ្ស៊ីប គឺជាប្រទេសឈានមុខគេក្នុងការបោះពុម្ពផ្សាយ ទោះបីជាការសិក្សាបានបង្ហាញពីគម្លាតរវាងទិន្នផលស្រាវជ្រាវ ការអភិវឌ្ឍបច្ចេកវិទ្យា និងភាពងាយរងគ្រោះនៃប្រព័ន្ធស្បៀងអាហារនៅក្នុងប្រទេសមួយចំនួនក៏ដោយ។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Artificial Intelligence (AI) បញ្ញាសិប្បនិម្មិត (AI)	មានសមត្ថភាពខ្ពស់ក្នុងការធ្វើការព្យាករណ៍លំហូរសំណល់ ធ្វើឱ្យប្រសើរឡើងនូវប្រព័ន្ធភស្តុភារ និងជួយគាំទ្រដល់ការសម្រេចចិត្តប្រកបដោយភាពឆ្លាតវៃ។ ករណីសិក្សាដូចជា Winnow បង្ហាញថាវាអាចកាត់បន្ថយសំណល់រហូតដល់ ៥០%។	កង្វះតម្លាភាពនៃក្បួនដោះស្រាយ (Algorithm) ទាមទារឱ្យមានទិន្នន័យប្រវត្តិសាស្រ្តដែលមានគុណភាពខ្ពស់ និងមានភាពស្មុគស្មាញក្នុងការចាប់ផ្តើមអនុវត្ត។	TRL 7-9 (កម្រិតត្រៀមខ្លួនជាស្រេចខ្ពស់)
Blockchain បច្ចេកវិទ្យាបញ្ជីកត់ត្រារួម (Blockchain)	ផ្តល់នូវការតាមដានប្រកបដោយសុវត្ថិភាពនិងតម្លាភាព ធានាសុចរិតភាពទិន្នន័យ និងអាចធ្វើស្វ័យប្រវត្តិកម្មតាមរយៈកិច្ចសន្យាឆ្លាតវៃ (Smart Contracts)។	ទាមទារថ្លៃដើមអនុវត្តខ្ពស់ មានដែនកំណត់ក្នុងការពង្រីកវិសាលភាព (Scalability) និងស៊ីថាមពលអគ្គិសនីខ្ពស់សម្រាប់ពិធីការមួយចំនួន។	TRL 5-7 (កម្រិតត្រៀមខ្លួនជាស្រេចមធ្យម)
Digital Twin (DT) គំរូឌីជីថលក្លែងបន្លំ (Digital Twin)	អាចក្លែងធ្វើនិងព្យាករណ៍តាមពេលវេលាពិត (Real-time) និងអាចបង្កើតគំរូនម្មិតនៃដំណើរការនិងធនធាន ដើម្បីធ្វើឱ្យប្រព័ន្ធកាន់តែមានប្រសិទ្ធភាពមុននឹងអនុវត្តផ្ទាល់។	ត្រូវការការរួមបញ្ចូលទិន្នន័យយ៉ាងស្មុគស្មាញ ចំណាយខ្ពស់លើហេដ្ឋារចនាសម្ព័ន្ធ និងទាមទារអ្នកជំនាញកម្រិតខ្ពស់ក្នុងការគ្រប់គ្រង។	TRL 4-6 (កម្រិតត្រៀមខ្លួនជាស្រេចមធ្យមទៅទាប)
Internet of Things (IoT) អ៊ីនធឺណិតនៃវត្ថុ (IoT)	អាចតាមដាននិងប្រមូលទិន្នន័យបរិស្ថាន (ដូចជា សំណើម សីតុណ្ហភាព ទម្ងន់) តាមពេលវេលាពិត និងជួយធ្វើស្វ័យប្រវត្តិកម្មដំណើរការការងារ។	ប្រឈមនឹងហានិភ័យសន្តិសុខសាយប័រ បញ្ហាតភ្ជាប់និងធ្វើការរួមគ្នារវាងឧបករណ៍ផ្សេងៗគ្នា និងមានថ្លៃចំណាយលើការថែទាំ។	TRL 8-9 (កម្រិតត្រៀមខ្លួនជាស្រេចខ្ពស់)
Big Data Analytics ការវិភាគទិន្នន័យធំ (Big Data Analytics)	អាចវិភាគទិន្នន័យទ្រង់ទ្រាយធំ ជួយធ្វើឱ្យប្រសើរឡើងនូវការប្រើប្រាស់ធនធាន និងគាំទ្រដល់ការសម្រេចចិត្តជាយុទ្ធសាស្ត្រផ្អែកលើភស្តុតាងជាក់ស្តែង។	តម្រូវឱ្យមានហេដ្ឋារចនាសម្ព័ន្ធកុំព្យូទ័ររឹងមាំ គុណភាពទិន្នន័យមានការប្រែប្រួល និងមានភាពស្មុគស្មាញក្នុងការបកស្រាយលទ្ធផល។	TRL 7-9 (កម្រិតត្រៀមខ្លួនជាស្រេចខ្ពស់)

ការចំណាយលើធនធាន (Resource Cost)៖ ការផ្លាស់ប្តូរទៅកាន់ការប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថលទាមទារឱ្យមានការវិនិយោគយ៉ាងច្រើនលើហេដ្ឋារចនាសម្ព័ន្ធ ប្រព័ន្ធទិន្នន័យ និងធនធានមនុស្ស ដែលជាឧបសគ្គដ៏ធំសម្រាប់កសិករខ្នាតតូច និងសហគ្រាសធុនតូចនិងមធ្យម (SMEs)។

Hardware: ទាមទារប្រព័ន្ធចាប់សញ្ញា (Sensors) កាមេរ៉ា និងហេដ្ឋារចនាសម្ព័ន្ធ IoT ដែលមានតម្លៃថ្លៃក្នុងការបំពាក់ដំបូង និងត្រូវការការថែទាំជាប្រចាំ។
Software and Data: ត្រូវការប្រព័ន្ធផ្ទុកទិន្នន័យធំៗ កម្មវិធីវិភាគកម្រិតខ្ពស់ និងទិន្នន័យប្រវត្តិសាស្រ្តដែលមានគុណភាពនិងភាពត្រឹមត្រូវខ្ពស់ដើម្បីបង្ហាត់ AI។
Expertise: ចាំបាច់ត្រូវមានអ្នកជំនាញផ្នែកវិភាគទិន្នន័យ អ្នកអភិវឌ្ឍន៍ AI និងអ្នកឯកទេសខាងសន្តិសុខសាយប័រ ដែលនៅមានកម្រិតនៅឡើយក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍។
Financial: ចំណាយដើមទុនខ្ពស់សម្រាប់ការរៀបចំប្រព័ន្ធកម្រិតខ្ពស់ (ដូចជា Blockchain ឬ Digital Twin) និងការបណ្តុះបណ្តាលចំណេះដឹងឌីជីថលដល់បុគ្គលិកនិងកសិករពាក់ព័ន្ធ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះគឺជាការត្រួតពិនិត្យឯកសារជាប្រព័ន្ធដែលផ្តោតលើទិន្នន័យពីអត្ថបទស្រាវជ្រាវក្នុងប្រព័ន្ធ Scopus ភាគច្រើនមកពីប្រទេសចិន អាល្លឺម៉ង់ និងអេហ្ស៊ីប ខណៈប្រទេសកំពុងអភិវឌ្ឍន៍ជាច្រើនរួមទាំងអាស៊ីអាគ្នេយ៍នៅមិនទាន់មានតំណាងគ្រប់គ្រាន់។ ទិន្នន័យនេះបង្ហាញពីភាពលម្អៀងឆ្ពោះទៅរកប្រទេសដែលមានការវិនិយោគខ្ពស់លើបច្ចេកវិទ្យា និងមើលរំលងបញ្ហាប្រឈមជាក់ស្តែងរបស់សហគ្រាសខ្នាតតូចនិងមធ្យម ឬកសិករតូចតាច ដែលជារឿងគួរពិចារណាយ៉ាងសំខាន់សម្រាប់បរិបទប្រទេសកម្ពុជា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកវិទ្យាដែលបានលើកឡើងនៅក្នុងឯកសារនេះមានសក្តានុពលខ្លាំងសម្រាប់កម្ពុជា ប៉ុន្តែគួរចាប់ផ្តើមពីដំណោះស្រាយសាមញ្ញចំណាយតិច ជាជាងបច្ចេកវិទ្យាស្មុគស្មាញ។

វិស័យកសិកម្មនៅខេត្តបាត់ដំបង និងសៀមរាប: ការប្រើប្រាស់ឧបករណ៍ IoT Sensors ក្នុងកម្រិតមូលដ្ឋានដើម្បីតាមដានសីតុណ្ហភាព និងសំណើមក្នុងឃ្លាំងស្តុកស្រូវ ឬកសិផលផ្សេងៗ អាចជួយកាត់បន្ថយការខូចខាតក្រោយពេលប្រមូលផលបានយ៉ាងប្រសើរ។
សហគ្រាសធុនតូចនិងមធ្យម (SMEs) ផ្នែកកែច្នៃម្ហូបអាហារ: ការប្រើប្រាស់ឧបករណ៍ Data Analytics ជាមូលដ្ឋានដើម្បីតាមដានតម្រូវការទីផ្សារ អាចជួយម្ចាស់សហគ្រាសក្នុងស្រុកជៀសវាងការផលិតលើសតម្រូវការ ដែលជាប្រភពចម្បងនៃសំណល់អាហារ។
វិស័យបដិសណ្ឋារកិច្ច និងសណ្ឋាគារនៅរាជធានីភ្នំពេញ: អាចសាកល្បងយកគំរូនៃប្រព័ន្ធកាមេរ៉ា និង AI (ដូចជាប្រព័ន្ធ Winnow) មកបំពាក់នៅតាមផ្ទះបាយធំៗ ដើម្បីតាមដានបរិមាណសំណល់អាហារដែលត្រូវបោះចោល និងកាត់បន្ថយការចំណាយខ្ជះខ្ជាយ។

ទោះបីជាបច្ចេកវិទ្យាទំនើបដូចជា Digital Twin និង Blockchain អាចនៅឆ្ងាយពីលទ្ធភាពអនុវត្តជាក់ស្តែងសម្រាប់ភាគច្រើននៃសេដ្ឋកិច្ចកម្ពុជាក៏ដោយ ក៏ការចាប់ផ្តើមជាមួយនឹងបច្ចេកវិទ្យា IoT សាមញ្ញ និងការវិភាគទិន្នន័យ អាចជាចំណុចចាប់ផ្តើមដ៏រឹងមាំមួយឆ្ពោះទៅរកប្រព័ន្ធស្បៀងអាហារដែលមានចីរភាព និងកាត់បន្ថយការខ្ជះខ្ជាយបានយ៉ាងពិតប្រាកដ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

ជំហានទី១៖ សិក្សាយល់ដឹងពីសេដ្ឋកិច្ចវិលជុំនិងលំហូរសំណល់: និស្សិតគួរស្វែងយល់ពីមូលដ្ឋានគ្រឹះនៃការគ្រប់គ្រងសំណល់កសិ-អាហារ និងវិធីសាស្រ្តវាយតម្លៃវដ្តជីវិតពិតប្រាកដ (Life Cycle Assessment) តាមរយៈការស្រាវជ្រាវអត្ថបទនិងរបាយការណ៍របស់ស្ថាប័នដូចជា FAO ឬ UNEP ដើម្បីយល់ពីចំណុចខ្សោយនៃប្រព័ន្ធផ្គត់ផ្គង់បច្ចុប្បន្ន។
ជំហានទី២៖ កសាងជំនាញផ្នែកទិន្នន័យ និងឧបករណ៍បច្ចេកវិទ្យា: ផ្តើមអភិវឌ្ឍសមត្ថភាពបច្ចេកទេសផ្ទាល់ខ្លួន ដោយរៀនប្រើប្រាស់កម្មវិធីវិភាគទិន្នន័យដូចជា Python, R ឬ Power BI ព្រមទាំងស្វែងយល់ពីរបៀបដំណើរការនិងប្រមូលទិន្នន័យរបស់ឧបករណ៍ IoT Sensors (ឧ. Arduino ឬ Raspberry Pi) ក្នុងកម្រិតមូលដ្ឋាន។
ជំហានទី៣៖ អនុវត្តគម្រោងស្រាវជ្រាវសាកល្បងខ្នាតតូច (Pilot Project): សហការជាមួយសហគ្រាសក្នុងស្រុក ភោជនីយដ្ឋាន ឬកសិដ្ឋានខ្នាតតូច ដើម្បីបំពាក់ឧបករណ៍តាមដានទិន្នន័យសាមញ្ញ និងប្រើប្រាស់ Machine Learning ជាមូលដ្ឋាន ក្នុងការទស្សន៍ទាយបរិមាណសំណល់ ឬតាមដានគុណភាពផលិតផល ដើម្បីរកដំណោះស្រាយជាក់ស្តែង។
ជំហានទី៤៖ សិក្សាពីអភិបាលកិច្ចទិន្នន័យ និងផលប៉ះពាល់សង្គម: ស្រាវជ្រាវអំពីក្រមសីលធម៌នៃការប្រមូលទិន្នន័យ របៀបការពារសិទ្ធិជាម្ចាស់ទិន្នន័យរបស់កសិករ (Data Sovereignty) និងរចនាគំរូអាជីវកម្មដែលមិនត្រឹមតែមាននវានុវត្តន៍ផ្នែកបច្ចេកវិទ្យាប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងធានាបាននូវសមធម៌សង្គម ស្របតាមគោលដៅអភិវឌ្ឍន៍ប្រកបដោយចីរភាព (SDGs)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Circular Economy	ប្រព័ន្ធសេដ្ឋកិច្ចដែលកាត់បន្ថយការខ្ជះខ្ជាយដោយផ្តោតលើការកែច្នៃ ប្រើប្រាស់ឡើងវិញ និងបង្កើតធនធានថ្មីពីសំណល់ (ដូចជាសំណល់កសិ-អាហារ) ជាជាងការបោះចោលទៅក្នុងទីលានចាក់សំរាម។	ដូចជាការយកសំបកកង់ឡានចាស់ៗទៅធ្វើជាស្បែកជើង ឬផើងផ្កា ដើម្បីកុំឱ្យមានសំរាមបោះចោលទទេៗ និងបង្កើតជារបស់មានតម្លៃថ្មី។
Digital Twin	ការបង្កើតគំរូក្លែងបន្លំជាទម្រង់ឌីជីថលនៃវត្ថុ ឬប្រព័ន្ធរូបវន្តពិតៗ ដើម្បីក្លែងធ្វើ (Simulate) ទស្សន៍ទាយ និងធ្វើឱ្យប្រសើរឡើងនូវដំណើរការការងារមុននឹងអនុវត្តជាក់ស្តែងនៅក្នុងរោងចក្រ ឬខ្សែសង្វាក់ផ្គត់ផ្គង់។	ដូចជាការលេងហ្គេមសាងសង់ទីក្រុង (SimCity) ដែលយើងអាចសាកល្បងសាងសង់ និងមើលបញ្ហាស្ទះចរាចរណ៍ជាមុន មុនពេលទៅសាងសង់ទីក្រុងពិតប្រាកដ។
Anaerobic Digestion	ដំណើរការបំបែកសារធាតុសរីរាង្គ (ដូចជាសំណល់ម្ហូបអាហារ ឬលាមកសត្វ) ដោយប្រើបាក់តេរីក្នុងបរិយាកាសដែលគ្មានអុកស៊ីសែន ដើម្បីបង្កើតជាឧស្ម័នជីវឧស្ម័ន (Biogas) សម្រាប់ផលិតថាមពលនិងកម្តៅ។	ដូចជាការធ្វើឡជីវឧស្ម័ននៅតាមស្រុកស្រែ ដែលគេដាក់លាមកគោនិងសំណល់រុក្ខជាតិចូលក្នុងអាងបិទជិត ដើម្បីយកហ្គាសមកដាំស្លនិងបំភ្លឺផ្ទះ។
Pyrolysis	ការដុតបំបែកសារធាតុសរីរាង្គ (ដូចជាសំណល់កសិកម្មស្ងួតៗ ឬកាកសំណល់ឈើ) នៅសីតុណ្ហភាពខ្ពស់ខ្លាំងក្នុងស្ថានភាពគ្មានអុកស៊ីសែន ដើម្បីបំប្លែងវាទៅជាប្រេងជីវសាស្រ្ត (Bio-oil) ធ្យូងជីវសាស្រ្ត (Biochar) ឬឧស្ម័នសាំងទីទិច (Syngas)។	ដូចជាការដុតធ្យូងក្នុងឡបិទជិត ដើម្បីកុំឱ្យវាឆេះក្លាយជាផេះ ប៉ុន្តែប្រែជាធ្យូងដែលមានគុណភាពខ្ពស់អាចយកទៅកែលម្អគុណភាពដីបាន។
Bibliometric Analysis	វិធីសាស្ត្រស្ថិតិដែលត្រូវបានប្រើប្រាស់ដើម្បីវិភាគទិន្នន័យលើឯកសារបោះពុម្ពផ្សាយ និងអត្ថបទស្រាវជ្រាវរាប់រយ ដើម្បីស្វែងរកនិន្នាការ បណ្តាញទំនាក់ទំនង និងឥទ្ធិពលនៃការស្រាវជ្រាវក្នុងវិស័យណាមួយ។	ដូចជាការរាប់និងវិភាគថាតើសៀវភៅណាដែលគេខ្ចីអានច្រើនជាងគេនៅក្នុងបណ្ណាល័យ ដើម្បីដឹងថាសិស្សចូលចិត្តរៀនមុខវិជ្ជាអ្វីជាងគេបំផុត។
Internet of Things (IoT)	បណ្តាញនៃឧបករណ៍ចាប់សញ្ញា (Sensors) និងប្រព័ន្ធកុំព្យូទ័រដែលតភ្ជាប់គ្នា និងផ្លាស់ប្តូរទិន្នន័យតាមរយៈអ៊ីនធឺណិត ដើម្បីតាមដាន និងគ្រប់គ្រងសកម្មភាពផ្សេងៗដោយស្វ័យប្រវត្តិតាមពេលវេលាជាក់ស្តែង (Real-time)។	ដូចជាការប្រើទូរស័ព្ទដៃដើម្បីបញ្ជាបិទបើកម៉ាស៊ីនត្រជាក់ និងភ្លើងនៅផ្ទះ ទោះបីជាយើងកំពុងនៅកន្លែងធ្វើការក៏ដោយ។
Life Cycle Assessment	ការវាយតម្លៃជាប្រព័ន្ធនូវផលប៉ះពាល់បរិស្ថាននៃផលិតផល ឬសេវាកម្មណាមួយ ចាប់តាំងពីការទាញយកវត្ថុធាតុដើម ការផលិត ការប្រើប្រាស់ រហូតដល់ការបោះចោលឬកែច្នៃនៅចុងបញ្ចប់នៃអាយុកាលរបស់វា។	ដូចជាការគិតគូរថាតើដបទឹកជ័រមួយបង្កផលប៉ះពាល់អ្វីខ្លះដល់ផែនដី ចាប់តាំងពីវាត្រូវគេបូមចេញជាប្រេងឆៅរហូតដល់វាក្លាយជាសំរាមអណ្តែតនៅក្នុងសមុទ្រ។
smart contracts	កម្មវិធីកុំព្យូទ័រដែលសរសេរនៅលើប្រព័ន្ធ Blockchain ដែលនឹងអនុវត្តដោយស្វ័យប្រវត្តិនូវលក្ខខណ្ឌនៃកិច្ចសន្យា នៅពេលដែលលក្ខខណ្ឌនោះត្រូវបានបំពេញ ដោយមិនបាច់មានអ្នកទីបីមកឈរឈ្មោះធានា ឬផ្ទៀងផ្ទាត់ឡើយ។	ដូចជាម៉ាស៊ីនលក់ភេសជ្ជៈស្វ័យប្រវត្តិ (Vending Machine) ដែលពេលយើងដាក់លុយចូលគ្រប់ចំនួន វានឹងទម្លាក់ទឹកមកឱ្យយើងភ្លាមៗដោយមិនបាច់មានអ្នកលក់ឈរចាំប្រគល់ឱ្យ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖