បញ្ហា (The Problem)៖ ការវាយតម្លៃជម្រើសនៃការប្រើប្រាស់ទឹកឡើងវិញជួបប្រទះការលំបាកដោយសារភាពស្មុគស្មាញ និងលក្ខណៈវិនិច្ឆ័យដែលផ្ទុយគ្នា ខណៈដែលរង្វាស់ភាពមិនដូចគ្នានៃសំណុំរូបភាពស្រពិចស្រពិល (Picture Fuzzy Sets) ដែលមានស្រាប់នៅមានកម្រិតនៅឡើយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតរូបមន្តគណនាថ្មីមួយ និងអនុវត្តវាទៅក្នុងម៉ូដែលធ្វើសេចក្តីសម្រេចចិត្ត ដើម្បីវាយតម្លៃជម្រើសនៃការប្រើប្រាស់ទឹកឡើងវិញដ៏ល្អបំផុត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed MCDM based on new PFS dissimilarity measure វិធីសាស្ត្រធ្វើសេចក្តីសម្រេចចិត្តពហុលក្ខណៈវិនិច្ឆ័យ (MCDM) ផ្អែកលើរង្វាស់ភាពមិនដូចគ្នាថ្មីនៃសំណុំរូបភាពស្រពិចស្រពិល (PFS) |
យកឈ្នះលើដែនកំណត់នៃរូបមន្តរង្វាស់ភាពមិនដូចគ្នាមុនៗ និងមានភាពងាយស្រួល (សាមញ្ញ) ក្នុងការគណនា។ វាមានភាពបត់បែនខ្ពស់នៅពេលផ្លាស់ប្តូរទម្ងន់អាទិភាពនៃលក្ខណៈវិនិច្ឆ័យនីមួយៗ។ | ទាមទារការកំណត់ទម្ងន់នៃលក្ខណៈវិនិច្ឆ័យដោយអ្នកជំនាញ ដែលអាចមានភាពលម្អៀងអាស្រ័យលើឆន្ទានុសិទ្ធិរបស់បុគ្គល។ | បានកំណត់យ៉ាងត្រឹមត្រូវថា ការស្រោចទឹកសួនច្បារសាធារណៈ (PPW) គឺជាជម្រើសដ៏ល្អបំផុតដោយមានពិន្ទុភាពមិនដូចគ្នាតិចជាងគេគឺ ០.២៨៣៩ (ជាមួយនឹងទម្ងន់គោល)។ |
| Existing dissimilarity measures of PFS (Dinh et al., 2017) រង្វាស់ភាពមិនដូចគ្នានៃសំណុំរូបភាពស្រពិចស្រពិលដែលមានស្រាប់ (Dinh et al., 2017) |
ជាមូលដ្ឋានគ្រឹះដំបូងសម្រាប់ការគណនាចម្ងាយនិងភាពមិនដូចគ្នារវាងទិន្នន័យដែលមានភាពស្រពិចស្រពិលខ្ពស់។ | មានដែនកំណត់និងភាពចន្លោះប្រហោងក្នុងការគណនា ដោយមិនអាចចាត់ថ្នាក់គំរូទិន្នន័យមួយចំនួនទៅក្នុងក្រុមត្រឹមត្រូវឡើយ (ដូចបង្ហាញក្នុងឧទាហរណ៍ទី១ នៃឯកសារ)។ | ទទួលបានលទ្ធផលស្មើគ្នា (០.០៥) សម្រាប់គំរូពីរផ្សេងគ្នា ដែលធ្វើឱ្យបរាជ័យក្នុងការប្រៀបធៀប និងកំណត់ជម្រើសល្អជាងគេ។ |
| Generalized intuitionistic fuzzy-based approach (Pan et al., 2018) វិធីសាស្ត្រផ្អែកលើសំណុំស្រពិចស្រពិលវិចារណញាណទូទៅ (Pan et al., 2018) |
ប្រើប្រាស់មុខងារពិន្ទុ (Score Function) ដើម្បីវាយតម្លៃជម្រើស ដោយពិចារណាលើភាពស្ទាក់ស្ទើរ (Hesitation) នៃទិន្នន័យយ៉ាងល្អិតល្អន់។ | ម៉ូដែលនិងដំណើរការនៃការគណនាមានភាពស្មុគស្មាញ និងចំណាយពេលច្រើនជាងវិធីសាស្ត្រដែលបានស្នើឡើងថ្មីក្នុងឯកសារនេះ។ | ផ្តល់ចំណាត់ថ្នាក់ខុសគ្នាបន្តិចបន្តួច ដោយចាត់ទុក ការស្រោចទឹកផ្កាក្នុងសួន (FW) ជាជម្រើសល្អបំផុតក្នុងសេណារីយ៉ូគាំទ្របរិស្ថាន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់ច្បាស់លាស់ពីការចំណាយក៏ដោយ ការអនុវត្តម៉ូដែលគណិតវិទ្យានេះទាមទារធនធានកុំព្យូទ័រជាមូលដ្ឋាន និងចំណេះដឹងផ្នែកក្បួនដោះស្រាយ (Algorithm) ប៉ុណ្ណោះ។
ទិន្នន័យដែលប្រើប្រាស់ក្នុងការសិក្សានេះ ត្រូវបានយកចេញពីឯកសារស្រាវជ្រាវរបស់ Pan et al. (2018) ដែលឆ្លុះបញ្ចាំងពីសេណារីយ៉ូប្រព័ន្ធទឹកក្នុងទីក្រុងទូទៅ។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តម៉ូដែលនេះដោយប្រើទិន្នន័យចាស់អាចមានភាពលម្អៀង ដូច្នេះវាចាំបាច់ក្នុងការប្រមូលទិន្នន័យថ្មីដែលឆ្លើយតបទៅនឹងលក្ខខណ្ឌអាកាសធាតុ ហេដ្ឋារចនាសម្ព័ន្ធ និងកម្រិតបច្ចេកវិទ្យាក្នុងស្រុក។
វិធីសាស្ត្រ MCDM នេះមានសក្តានុពល និងសារៈសំខាន់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ជាពិសេសក្នុងការដោះស្រាយបញ្ហាកង្វះខាតទឹកនារដូវប្រាំង។
ជារួម វិធីសាស្ត្រនេះផ្តល់នូវឧបករណ៍វិភាគតាមបែបវិទ្យាសាស្ត្រដ៏រឹងមាំមួយ សម្រាប់អ្នករៀបចំគោលនយោបាយកម្ពុជាក្នុងការសម្រេចចិត្តប្រកបដោយនិរន្តរភាពលើការគ្រប់គ្រងធនធានទឹក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Multi-Criteria Decision Making (ការធ្វើសេចក្តីសម្រេចចិត្តពហុលក្ខណៈវិនិច្ឆ័យ) | ជាដំណើរការនៃការវាយតម្លៃ និងជ្រើសរើសជម្រើសដ៏ល្អបំផុតមួយក្នុងចំណោមជម្រើសជាច្រើន ដោយផ្អែកលើលក្ខខណ្ឌ ឬលក្ខណៈវិនិច្ឆ័យខុសៗគ្នាជាច្រើន (ដូចជា តម្លៃ គុណភាព ផលប៉ះពាល់បរិស្ថាន) ដែលជារឿយៗតែងតែមានភាពផ្ទុយគ្នា។ | ដូចជាការសម្រេចចិត្តទិញទូរស័ព្ទមួយគ្រឿង ដោយត្រូវថ្លឹងថ្លែងរវាងកម្រិតតម្លៃថោក កាមេរ៉ាច្បាស់ និងថ្មកាន់បានយូរ ក្នុងពេលតែមួយ។ |
| Picture Fuzzy Set (សំណុំរូបភាពស្រពិចស្រពិល) | ជាការពង្រីកទ្រឹស្តីសំណុំទិន្នន័យ (Set Theory) ដែលអនុញ្ញាតឱ្យធាតុមួយមានកម្រិតនៃភាពជាសមាជិក៣យ៉ាងគឺ៖ វិជ្ជមាន (យល់ព្រម) អវិជ្ជមាន (មិនយល់ព្រម) និងអព្យាក្រឹត (នៅកណ្តាល ឬមិនច្បាស់លាស់) ដើម្បីដោះស្រាយជាមួយទិន្នន័យដែលស្មុគស្មាញនិងមិនប្រាកដប្រជា។ | ដូចជាការបោះឆ្នោត ដែលអ្នកអាចជ្រើសរើសបោះឆ្នោតគាំទ្រ បោះឆ្នោតប្រឆាំង អនុប្បវាទ (មិនបញ្ចេញមតិ) ឬបដិសេធមិនបោះឆ្នោតទាល់តែសោះ។ |
| Dissimilarity Measure (រង្វាស់ភាពមិនដូចគ្នា) | ជារូបមន្តគណិតវិទ្យាសម្រាប់គណនាថាតើទិន្នន័យ ឬសំណុំទិន្នន័យពីរមានភាពខុសគ្នា ឬឃ្លាតឆ្ងាយពីគ្នាប៉ុនណា។ ក្នុងក្របខ័ណ្ឌនេះ គេប្រើវាដើម្បីវាស់ស្ទង់ចម្ងាយរវាងជម្រើសជាក់ស្តែងនីមួយៗទៅនឹង "ជម្រើសដ៏ល្អឥតខ្ចោះ" (Perfect choice)។ | ដូចជាការវាស់ចម្ងាយពីចម្លើយសិស្សម្នាក់ៗទៅនឹងចម្លើយគំរូ (កម្រងចម្លើយត្រឹមត្រូវ) ដើម្បីដឹងថានរណាធ្វើបានត្រឹមត្រូវជាងគេ (អ្នកដែលមានភាពមិនដូចគ្នាតិចជាងគេ គឺជាអ្នកឈ្នះ)។ |
| Intuitionistic Fuzzy Set (សំណុំស្រពិចស្រពិលវិចារណញាណ) | ជាទ្រឹស្តីគណិតវិទ្យាមុនលេចចេញ PFS ដែលវាស់ស្ទង់តែពីរផ្នែកប៉ុណ្ណោះគឺ កម្រិតនៃភាពជាសមាជិក (វិជ្ជមាន) និងកម្រិតនៃភាពមិនមែនជាសមាជិក (អវិជ្ជមាន) ដោយមិនមានមុខងារសម្រាប់វាស់ស្ទង់ភាពអព្យាក្រឹតដោយឡែកនោះទេ។ | ដូចជាការឆ្លើយសំណួរដែលមានតែជម្រើស "យល់ព្រម" ឬ "មិនយល់ព្រម" ប៉ុន្តែអ្នកមិនអាចជ្រើសរើសជម្រើស "មិនប្រាកដ" ឬ "អព្យាក្រឹត" បានទេ។ |
| Compromise Solution (ដំណោះស្រាយសម្រុះសម្រួល) | ជាជម្រើសដែលត្រូវបានចាត់ទុកថាល្អបំផុតនៅក្នុងការវិភាគ MCDM ពីព្រោះវាមានចម្ងាយជិតបំផុតទៅនឹងជម្រើសដ៏ល្អឥតខ្ចោះ (Ideal Solution) ទោះបីជាវាមិនមែនជាជម្រើសដែលល្អផ្តាច់គេលើគ្រប់លក្ខខណ្ឌនីមួយៗទាំងអស់ក៏ដោយ។ | ដូចជាការជ្រើសរើសទិញផ្ទះមួយដែលមិនមែនធំជាងគេ ហើយក៏មិនមែនថោកជាងគេដែរ ប៉ុន្តែវាមានទំហំល្មមនិងតម្លៃសមរម្យដែលអាចទទួលយកបានគ្រប់ភាគី។ |
| Linguistic Variables (អថេរភាសា) | ជាការប្រើប្រាស់ពាក្យពេចន៍ក្នុងភាសានិយាយ (ដូចជា ខ្ពស់ មធ្យម ទាប) ជាជាងការប្រើតួលេខ ដើម្បីវាយតម្លៃលក្ខណៈវិនិច្ឆ័យណាមួយដែលពិបាកនឹងវាស់វែងជាតួលេខច្បាស់លាស់ មុននឹងបំប្លែងវាទៅជាលេខក្នុងទម្រង់ Picture Fuzzy ដើម្បីធ្វើការគណនា។ | ដូចជាការប្រាប់គ្រូពេទ្យពីកម្រិតនៃការឈឺចាប់របស់អ្នកថា "ឈឺខ្លាំង" ឬ "ឈឺតិចៗ" ជាជាងប្រាប់ថា "ខ្ញុំឈឺកម្រិត ៧.៥ លើ ១០"។ |
| Water Reuse Application Evaluation (ការវាយតម្លៃជម្រើសនៃការប្រើប្រាស់ទឹកឡើងវិញ) | ជាដំណើរការវិភាគដើម្បីជ្រើសរើសវិធីសាស្ត្រល្អបំផុតក្នុងការយកទឹកសំណល់មកចម្រោះប្រើប្រាស់ឡើងវិញ (ដូចជា សម្រាប់ស្រោចសួន បង្គន់ ឬកសិកម្ម) ដោយពិចារណាយ៉ាងហ្មត់ចត់លើសុខភាពមនុស្ស ការចំណាយ សេដ្ឋកិច្ច និងនយោបាយសង្គម។ | ដូចជាការថ្លឹងថ្លែងគិតថាតើគួរយកទឹកលាងចានដែលសល់ទៅស្រោចផ្កា លាងម៉ូតូ ឬចាក់ចោល ដោយយោងលើភាពកខ្វក់នៃទឹក និងប្រយោជន៍ដែលអាចទទួលបានមកវិញ។ |
| Decision Matrix (ម៉ាទ្រីសធ្វើសេចក្តីសម្រេចចិត្ត) | ជាតារាងទិន្នន័យ (Table ឬ Matrix) ដែលផ្ទុកតម្លៃនៃការវាយតម្លៃសម្រាប់ជម្រើសនីមួយៗធៀបនឹងលក្ខណៈវិនិច្ឆ័យទាំងអស់ ដែលត្រូវបានប្រើជាមូលដ្ឋានគ្រឹះសម្រាប់ធ្វើការគណនាបន្តបន្ទាប់នៅក្នុងវិធីសាស្ត្រ MCDM។ | ដូចជាតារាងពិន្ទុសិស្សប្រចាំខែ ដែលមានរាយឈ្មោះសិស្សតាមជួរដេក និងមុខវិជ្ជាផ្សេងៗតាមជួរឈរ ជាមួយនឹងពិន្ទុរៀងៗខ្លួន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
