បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាក្នុងការវាយតម្លៃ និងជ្រើសរើសប្រភេទនៃការរចនាផ្ទៃឆ្លើយតបដ៏ប្រសើរបំផុត សម្រាប់អថេរចំនួន 5 នៅក្នុងតំបន់រាងស្វ៊ែរ ឆ្លងកាត់ម៉ូដែលកាត់បន្ថយរាប់រយប្រភេទ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់លក្ខណៈវិនិច្ឆ័យប្រសិទ្ធភាពអក្ខរក្រមចំនួនបី (D, G, និង IV) ដើម្បីវាយតម្លៃ និងប្រៀបធៀបប្រភេទនៃការរចនាសាកល្បងចំនួនប្រាំផ្សេងគ្នា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Small Composite Designs (SCDs) ការរចនាសមាសធាតុខ្នាតតូច |
មានប្រសិទ្ធភាពខ្ពស់បំផុតសម្រាប់ទំហំសំណាកតូច (N=23 ដល់ 29) ជួយសន្សំសំចៃពេលវេលានិងការចំណាយលើការពិសោធន៍។ | ការបង្កើនចំណុចកណ្តាល (center points) អាចកាត់បន្ថយប្រសិទ្ធភាពនៃលក្ខណៈវិនិច្ឆ័យ D ។ | ត្រូវបានផ្តល់អនុសាសន៍ឱ្យប្រើប្រាស់ច្រើនជាងការរចនា PBDs ផ្អែកលើលក្ខណៈ D និង G សម្រាប់សំណាកតូចនិងមធ្យម (N=23-29 និង 35-37)។ |
| Uniform Shell Designs (USDs) ការរចនាសំបកឯកសណ្ឋាន |
មានភាពប្រសើរជាង PBDs សម្រាប់ទំហំសំណាកមធ្យម (N=31 ដល់ 35)។ ការបង្កើនចំណុចកណ្តាលជួយធ្វើឱ្យលក្ខណៈ G ប្រសើរឡើង។ | ជួបប្រទះបញ្ហាម៉ាទ្រីសទោល (singular matrices) នៅក្នុងម៉ូដែលកាត់បន្ថយមួយចំនួន ដែលធ្វើឱ្យមិនអាចគណនាលក្ខណៈ IV បាន។ | ត្រូវបានផ្តល់អនុសាសន៍ច្រើនជាង PBDs សម្រាប់ទំហំ N=31-35 ផ្អែកលើប្រសិទ្ធភាព D និង G។ |
| Central Composite Designs (CCDs) ការរចនាសមាសធាតុកណ្តាល |
ដំណើរការល្អបំផុតក្នុងការប៉ាន់ស្មានប៉ារ៉ាម៉ែត្រ (លក្ខណៈ D) សម្រាប់ទំហំសំណាកធំ (N=43)។ | ទាមទារទំហំសំណាកធំជាងការរចនាខ្នាតតូច ហើយមានប្រសិទ្ធភាពទាបជាង BBDs ផ្អែកលើលក្ខណៈ G និង IV សម្រាប់ទំហំសំណាកធំ។ | ជាប់ចំណាត់ថ្នាក់លេខ១ ផ្អែកលើលក្ខណៈ D សម្រាប់ទំហំសំណាក N=43 ។ |
| Box-Behnken Designs (BBDs) ការរចនា Box-Behnken |
ល្អបំផុតសម្រាប់ការទស្សន៍ទាយតម្លៃសង្កេតថ្មី (ផ្អែកលើលក្ខណៈ G និង IV) នៅពេលទំហំសំណាកធំ (N=43)។ | មានប្រសិទ្ធភាពទាបជាង CCDs នៅក្នុងការប៉ាន់ស្មានគុណភាពនៃប៉ារ៉ាម៉ែត្រម៉ូដែល (លក្ខណៈ D) ។ | ត្រូវបានណែនាំឱ្យប្រើប្រាស់លើស CCD សម្រាប់ទំហំ N=43 ផ្អែកលើលក្ខណៈវិនិច្ឆ័យ G និង IV។ |
| Plackett-Burman Composite Designs (PBDs) ការរចនាសមាសធាតុ Plackett-Burman |
អាចត្រូវបានបង្កើតឡើងសម្រាប់អថេរចំនួន 5 (k=5) ជំនួសឱ្យការប្រើប្រាស់ hybrid designs ដែលមិនអាចបង្កើតបាន។ | ជារឿយៗទទួលបានចំណាត់ថ្នាក់ទាបជាងគេ (អន់ជាង SCDs និង USDs) គ្រប់កម្រិតទំហំសំណាក និងមានបញ្ហាម៉ាទ្រីសទោល។ | មិនត្រូវបានណែនាំឱ្យប្រើប្រាស់ទេ បើប្រៀបធៀបជាមួយ SCDs និង USDs សម្រាប់ការសិក្សាដែលមានអថេរ 5។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រ និងកម្មវិធីវិភាគទិន្នន័យកម្រិតខ្ពស់ សម្រាប់ការគណនាម៉ាទ្រីសស្មុគស្មាញ ជាពិសេសដោយសារពេលវេលាគណនាសម្រាប់លក្ខណៈ G និង IV កើនឡើងយ៉ាងខ្លាំងនៅពេលអថេរកើនឡើង។
ការសិក្សានេះគឺជាការវិភាគតាមបែបគណិតវិទ្យា និងការធ្វើត្រាប់តាម (Simulation) ដោយផ្អែកលើម៉ូដែលកាត់បន្ថយចំនួន ៨៣៩ ដែលធ្វើឡើងដោយអ្នកស្រាវជ្រាវនៅសាកលវិទ្យាល័យ Kasetsart ប្រទេសថៃ។ ដោយសារវាជាការសិក្សាទ្រឹស្តីស្ថិតិ វាគ្មានភាពលម្អៀងផ្នែកភូមិសាស្ត្រ ឬទិន្នន័យប្រជាសាស្ត្រឡើយ ដែលមានន័យថាលទ្ធផលនេះអាចយកមកអនុវត្តជាសកល រួមទាំងប្រទេសកម្ពុជាផងដែរ សម្រាប់ការរចនាការពិសោធន៍។
វិធីសាស្ត្ររចនាការពិសោធន៍ទាំងនេះមានអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់អ្នកស្រាវជ្រាវ និងវិស្វករនៅកម្ពុជា ក្នុងការកាត់បន្ថយថ្លៃដើមនិងបង្កើនប្រសិទ្ធភាព។
ការជ្រើសរើសទម្រង់ពិសោធន៍បានត្រឹមត្រូវ (ដូចជាការប្រើ SCD សម្រាប់ថវិកាតិច) នឹងជួយស្ថាប័នស្រាវជ្រាវនៅកម្ពុជា អាចផលិតស្នាដៃវិទ្យាសាស្ត្រមានគុណភាពខ្ពស់ ទោះបីជាមានធនធានមានកម្រិតក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Response Surface Methodology (វិធីសាស្ត្រផ្ទៃឆ្លើយតប) | វិធីសាស្ត្រស្ថិតិនិងគណិតវិទ្យាដែលប្រើសម្រាប់បង្កើតម៉ូដែល និងវិភាគបញ្ហាដែលអថេរឯករាជ្យជាច្រើនមានឥទ្ធិពលលើអថេរឆ្លើយតប ដើម្បីស្វែងរកកម្រិតអថេរដ៏ប្រសើរបំផុត (Optimization)។ | ដូចជាការសាកល្បងលាយគ្រឿងផ្សំច្រើនមុខក្នុងបរិមាណខុសៗគ្នា ដើម្បីរកមើលរូបមន្តស៊ុបដែលមានរសជាតិឆ្ងាញ់បំផុត (ចំណុចកំពូលនៃផ្ទៃ)។ |
| Design Optimality Criteria (លក្ខណៈវិនិច្ឆ័យប្រសិទ្ធភាពរចនា) | រង្វាស់គណិតវិទ្យា (ដូចជា D, G, និង IV-efficiency) ដែលប្រើដើម្បីវាយតម្លៃ និងប្រៀបធៀបគុណភាពនៃម៉ាទ្រីសរចនាការពិសោធន៍ ថាតើវាអាចផ្តល់ព័ត៌មានត្រឹមត្រូវកម្រិតណាពីទិន្នន័យ។ | ដូចជាប្រព័ន្ធដាក់ពិន្ទុដែលប្រាប់យើងថា ផែនការចុះប្រមូលទិន្នន័យមួយណានឹងផ្តល់លទ្ធផលច្បាស់លាស់ជាងគេដោយចំណាយតិចបំផុត។ |
| Reduced Models (ម៉ូដែលកាត់បន្ថយ) | សមីការស្ថិតិដែលត្រូវបានកាត់បន្ថយទំហំដោយដកចេញនូវអថេរ ឬកត្តាអន្តរកម្មដែលមិនមានឥទ្ធិពលសំខាន់ទៅលើលទ្ធផល ដើម្បីធ្វើឱ្យការវិភាគកាន់តែសាមញ្ញនិងមិនមានការរំខានទិន្នន័យ (Noise)។ | ដូចជាការលុបចោលគ្រឿងផ្សំដែលមិនធ្វើឱ្យប្រែប្រួលរសជាតិម្ហូបចេញពីរូបមន្ត ដើម្បីងាយស្រួលចងចាំនិងកាត់បន្ថយការចំណាយ។ |
| Weak Heredity (តំណពូជខ្សោយ) | គោលការណ៍កសាងម៉ូដែលស្ថិតិដែលកំណត់ថា អន្តរកម្មរវាងអថេរពីរ (ឧ. xi*xj) អាចមាននៅក្នុងម៉ូដែលបាន លុះត្រាតែអថេរយ៉ាងហោចណាស់មួយ (xi ឬ xj) មានឥទ្ធិពលឯករាជ្យរបស់វានៅក្នុងម៉ូដែលនោះជាមុនសិន។ | ដូចជាច្បាប់មួយដែលនិយាយថា អ្នកអាចអញ្ជើញមិត្តភក្តិពីរនាក់មកលេងផ្ទះជាមួយគ្នាបាន លុះត្រាតែអ្នកស្គាល់យ៉ាងហោចណាស់ម្នាក់ក្នុងចំណោមពួកគេទាំងពីរ។ |
| Central Composite Designs (ការរចនាសមាសធាតុកណ្តាល) | ប្រភេទនៃការរចនាពិសោធន៍ដ៏ពេញនិយមបំផុត ដែលផ្សំឡើងដោយចំណុច Factorial (ជ្រុង), ចំណុច Axial (ផ្កាយ), និងចំណុច Center (កណ្តាល) ដើម្បីប៉ាន់ស្មានប៉ារ៉ាម៉ែត្រនៃសមីការលំដាប់ទីពីរ។ | ដូចជាការថតរូបវត្ថុមួយពីមុខ ពីចំហៀង ពីលើ និងពីកណ្តាល ដើម្បីធានាថាអ្នកទទួលបានព័ត៌មានពីរូបរាងគ្រប់ជ្រុងជ្រោយនៃវត្ថុនោះ។ |
| Small Composite Designs (ការរចនាសមាសធាតុខ្នាតតូច) | ការរចនាពិសោធន៍ដែលស្រដៀងនឹង CCD ដែរ ប៉ុន្តែប្រើប្រាស់ចំណុចពិសោធន៍តិចជាង (Fractional factorial) ដែលស័ក្តិសមបំផុតសម្រាប់ការសន្សំសំចៃធនធាននៅពេលមានទំហំសំណាកតូច (N=23-29)។ | ដូចជាការសួរមតិតំណាងមនុស្សតែ ១០ នាក់ក្នុងភូមិ ជាជាងសួរមនុស្សទាំង ១០០ នាក់ ដើម្បីសន្សំពេលតែនៅតែទទួលបានចម្លើយប្រហាក់ប្រហែលគ្នា។ |
| Spherical Region (តំបន់រាងស្វ៊ែរ) | លំហនៃការរចនាពិសោធន៍ដែលគ្រប់បន្សំនៃកម្រិតអថេរទាំងអស់ស្ថិតនៅក្នុងចម្ងាយស្មើៗគ្នាពីចំណុចកណ្តាល បង្កើតបានជារាងស្វ៊ែរ (Sphere) ជំនួសឱ្យរាងគូប ដែលជួយឲ្យការទស្សន៍ទាយមានភាពស្មើគ្នានៅគ្រប់ទិសដៅ។ | ដូចជាការចងខ្សែគោភ្ជាប់ទៅនឹងបង្គោលកណ្តាល ធ្វើឲ្យគោអាចស៊ីស្មៅបានតែក្នុងរង្វង់ជុំវិញបង្គោលនោះក្នុងចម្ងាយស្មើៗគ្នា។ |
| D-efficiency (ប្រសិទ្ធភាព D) | លក្ខណៈវិនិច្ឆ័យវាយតម្លៃការរចនាដែលផ្តោតលើការកាត់បន្ថយកំហុសរួម (Variance) ក្នុងការប៉ាន់ស្មានមេគុណនៃម៉ូដែល (Model Parameters) ឱ្យនៅតូចបំផុត។ | រង្វាស់ដែលប្រាប់ថាតើទម្រង់សាកល្បងរបស់យើង អាចជួយឱ្យយើងកាត់ស្មានដឹងពីឥទ្ធិពលពិតប្រាកដនៃកត្តានីមួយៗបានច្បាស់លាស់កម្រិតណា។ |
| G-efficiency (ប្រសិទ្ធភាព G) | លក្ខណៈវិនិច្ឆ័យវាយតម្លៃដែលផ្តោតលើការរក្សាកម្រិតកំហុសអតិបរមានៃការទស្សន៍ទាយ (Maximum Prediction Variance) នៅក្នុងតំបន់រចនាទាំងមូលឱ្យនៅទាបបំផុត។ | រង្វាស់ដែលធានាថា ទោះបីជាអ្នកទាយលទ្ធផលនៅចំណុចណាមួយក៏ដោយក្នុងតំបន់សាកល្បង ភាពលម្អៀងនៃការទាយនោះនឹងមិនធំរហូតដល់មិនអាចទទួលយកបានឡើយ។ |
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
