វិស័យពាក់ព័ន្ធ៖ វិទ្យាសាស្ត្រកុំព្យូទ័រ វិស្វកម្មកម្មវិធី វិទ្យាសាស្ត្រពិត វិទ្យាសាស្ត្រសង្គម និងការស្រាវជ្រាវអន្តរវិស័យ

១. សេចក្ដីផ្ដើម

ការរីកចម្រើននៃចំណេះដឹង បច្ចេកវិទ្យា សង្គម និងសេដ្ឋកិច្ច មិនអាចផ្អែកតែលើការសន្មត ការយល់ឃើញផ្ទាល់ខ្លួន ឬបទពិសោធន៍ដោយគ្មានការផ្ទៀងផ្ទាត់បានឡើយ។ ចំណេះដឹងដែលអាចយកទៅប្រើជាមូលដ្ឋានសម្រាប់ការសម្រេចចិត្ត ការបង្កើតបច្ចេកវិទ្យា ឬការដោះស្រាយបញ្ហាស្មុគស្មាញ ត្រូវការភស្តុតាង និងវិធីសាស្ត្រដែលអាចពិនិត្យបាន។

នេះជាមូលហេតុដែល ការស្រាវជ្រាវវិទ្យាសាស្ត្រ (Scientific Research) មានសារៈសំខាន់។

Organisation for Economic Co-operation and Development (OECD) ប្រើ Frascati Manual ជាស្តង់ដារអន្តរជាតិដ៏សំខាន់សម្រាប់ការកំណត់ និងវាស់វែងសកម្មភាពស្រាវជ្រាវ និងអភិវឌ្ឍន៍។ តាមក្របខណ្ឌនេះ សកម្មភាព Research and Development ត្រូវមានលក្ខណៈសំខាន់ៗដូចជា ភាពថ្មី ភាពច្នៃប្រឌិត ភាពមិនប្រាកដប្រជានៃលទ្ធផល ភាពមានប្រព័ន្ធ និងលទ្ធភាពផ្ទេរ ឬធ្វើឡើងវិញបាន [1]។

សម្រាប់និស្សិត ការយល់ពី “តើការស្រាវជ្រាវជាអ្វី?” គឺជាមូលដ្ឋានដ៏សំខាន់ មុននឹងរៀនពី Research Problem, Literature Review, Research Methodology, Data Analysis, Thesis, Dissertation ឬការសរសេរអត្ថបទវិទ្យាសាស្ត្រ។

២. តើការស្រាវជ្រាវវិទ្យាសាស្ត្រគឺជាអ្វី?

២.១ និយមន័យសាមញ្ញ

ការស្រាវជ្រាវវិទ្យាសាស្ត្រ អាចយល់បានថា៖

ការសិក្សាបញ្ហា ឬបាតុភូតណាមួយតាមវិធីសាស្ត្រដែលមានលំដាប់លំដោយ ប្រើភស្តុតាង និងទិន្នន័យ ដើម្បីឆ្លើយសំណួរ ផ្ទៀងផ្ទាត់ការអះអាង ដោះស្រាយបញ្ហា ឬបង្កើតចំណេះដឹងថ្មី។

ការស្រាវជ្រាវមិនមែនមានន័យថា “ស្វែងរកព័ត៌មានឱ្យបានច្រើន” ប៉ុណ្ណោះទេ។ អ្នកស្រាវជ្រាវត្រូវអាចពន្យល់ថា៖

• តើកំពុងសិក្សាបញ្ហាអ្វី?

• ហេតុអ្វីបញ្ហានោះសំខាន់?

• តើអ្វីដែលអ្នកដទៃបានសិក្សារួច?

• តើនៅសល់ចន្លោះចំណេះដឹងអ្វី?

• តើត្រូវឆ្លើយសំណួរអ្វី?

• តើត្រូវប្រមូលទិន្នន័យអ្វី?

• តើប្រើវិធីណាដើម្បីវិភាគ?

• តើលទ្ធផលបង្ហាញអ្វី?

• តើការសិក្សានេះរួមចំណែកអ្វី?

២.២ និយមន័យក្នុងបរិបទវិជ្ជាជីវៈ

ក្នុងបរិបទវិជ្ជាជីវៈ ការស្រាវជ្រាវវិទ្យាសាស្ត្រត្រូវមាន៖

បញ្ហា + សំណួរ + វិធីសាស្ត្រ + ទិន្នន័យ + ការវិភាគ + ភស្តុតាង + សេចក្តីសន្និដ្ឋាន + ការរួមចំណែក

អាចសរសេរជាទម្រង់សង្ខេបថា៖

Scientific Research = Problem → Method → Evidence → Analysis → Knowledge

៣. ការស្រាវជ្រាវមិនមែនគ្រាន់តែជាការស្វែងរកព័ត៌មាន

និស្សិតជាច្រើននៅដំណាក់កាលដំបូងអាចច្រឡំរវាង “ការស្វែងរកព័ត៌មាន” និង “ការស្រាវជ្រាវ”។

ការស្វែងរកព័ត៌មានតាម Google, អានសៀវភៅ ឬស្វែងរកអត្ថបទតាម Google Scholar គឺជាផ្នែកមួយនៃការស្រាវជ្រាវ ប៉ុន្តែមិនមែនជាការស្រាវជ្រាវទាំងមូលទេ។

តារាង ១.១.១-១៖ ការប្រៀបធៀបសកម្មភាពទូទៅ និងការស្រាវជ្រាវវិទ្យាសាស្ត្រ

ប្រភព៖ រៀបចំឡើងដោយអ្នកនិពន្ធ។

៤. លក្ខណៈសំខាន់របស់ការស្រាវជ្រាវវិទ្យាសាស្ត្រ

ការស្រាវជ្រាវដែលមានគុណភាពគួរមានលក្ខណៈសំខាន់មួយចំនួន។

៤.១ មានលំដាប់លំដោយ

ការស្រាវជ្រាវមិនត្រូវធ្វើតាមអារម្មណ៍ ឬធ្វើដំណាក់កាលដោយចៃដន្យទេ។ អ្នកស្រាវជ្រាវត្រូវមានផែនការ និងអាចពន្យល់ដំណើរការរបស់ខ្លួនបាន។

ឧទាហរណ៍៖

បញ្ហា → Literature Review → សំណួរ → Methodology → Data → Analysis → Results → Conclusion

ភាពមានប្រព័ន្ធគឺជាលក្ខណៈមួយក្នុងចំណោមលក្ខណៈសំខាន់ដែល OECD ប្រើសម្រាប់កំណត់សកម្មភាព R&D [1]។

៤.២ ផ្អែកលើភស្តុតាង

អ្នកស្រាវជ្រាវមិនអាចសន្និដ្ឋានថា៖

“កម្មវិធីរបស់ខ្ញុំល្អជាងប្រព័ន្ធចាស់”

ដោយគ្មានភស្តុតាងបានទេ។

ត្រូវឆ្លើយបន្ថែមថា៖

• ល្អជាងតាមសូចនាករអ្វី?

• លឿនជាងប៉ុន្មាន?

• Accuracy ខ្ពស់ជាងប៉ុន្មាន?

• Error Rate ថយចុះប៉ុន្មាន?

• អ្នកប្រើប្រាស់ពេញចិត្តកម្រិតណា?

• ទិន្នន័យប្រមូលពីអ្នកណា?

• តើមានក្រុមប្រៀបធៀបឬទេ?

៤.៣ មានភាពមិនលម្អៀង

អ្នកស្រាវជ្រាវត្រូវទទួលយកលទ្ធផលតាមអ្វីដែលទិន្នន័យបង្ហាញ មិនមែនតាមអ្វីដែលខ្លួនចង់ឱ្យលទ្ធផលក្លាយជា។

ប្រសិនបើសម្មតិកម្មមិនត្រូវបានគាំទ្រដោយទិន្នន័យ នោះមិនមានន័យថាការស្រាវជ្រាវ “បរាជ័យ” ទេ។

ការរកឃើញថា៖

“វិធីសាស្ត្រថ្មីមិនល្អជាងវិធីចាស់”

ក៏អាចជាលទ្ធផលវិទ្យាសាស្ត្រមានតម្លៃ។

៤.៤ អាចពិនិត្យបាន

អ្នកអានគួរអាចដឹងថា៖

• ទិន្នន័យបានមកពីណា?

• ជ្រើសរើសគំរូដោយរបៀបណា?

• ប្រើឧបករណ៍អ្វី?

• ប្រើ Algorithm អ្វី?

• កំណត់ Parameter យ៉ាងដូចម្តេច?

• ប្រើវិធីស្ថិតិអ្វី?

• តើលទ្ធផលអាចគាំទ្រសេចក្តីសន្និដ្ឋានឬទេ?

៤.៥ មានភាពអាចធ្វើឡើងវិញ និងផ្ទៀងផ្ទាត់បាន

Reproducibility និង Replicability ជាគោលគំនិតសំខាន់សម្រាប់គុណភាពវិទ្យាសាស្ត្រ។ National Academies ពន្យល់ថា ការរាយការណ៍វិធីសាស្ត្រ ទិន្នន័យ និងព័ត៌មានពាក់ព័ន្ធឱ្យបានច្បាស់ ជួយឱ្យសហគមន៍វិទ្យាសាស្ត្រអាចពិនិត្យលទ្ធផល និងធ្វើការសិក្សាបន្តបាន [2]។

ក្នុងវិទ្យាសាស្ត្រកុំព្យូទ័រ អាចពាក់ព័ន្ធនឹងការបង្ហាញ៖

• Dataset

• Source Code

• Software Version

• Model Architecture

• Hyperparameters

• Hardware Configuration

• Evaluation Metrics

៤.៦ មានសីលធម៌

ការស្រាវជ្រាវត្រូវគោរពសិទ្ធិ និងសេចក្តីថ្លៃថ្នូររបស់មនុស្ស ព្រមទាំងរក្សាសុចរិតភាពក្នុងការបង្កើត និងផ្សព្វផ្សាយចំណេះដឹង។ UNESCO Recommendation on Science and Scientific Researchers ផ្តោតលើទំនួលខុសត្រូវ សេរីភាពវិទ្យាសាស្ត្រ ផលប្រយោជន៍សង្គម និងការអនុវត្តវិទ្យាសាស្ត្រប្រកបដោយសីលធម៌ [3]។

អ្នកស្រាវជ្រាវត្រូវជៀសវាង៖

• ការបង្កើតទិន្នន័យក្លែងក្លាយ

• ការកែទិន្នន័យដោយមិនត្រឹមត្រូវ

• ការលួចចម្លងស្នាដៃ

• ការលាក់ទិន្នន័យដែលផ្ទុយពីការរំពឹងទុក

• ការប្រើទិន្នន័យផ្ទាល់ខ្លួនដោយគ្មានការអនុញ្ញាត

• ការបង្ខំអ្នកចូលរួមឱ្យចូលរួមស្រាវជ្រាវ

៤.៧ មានការរួមចំណែក

ការស្រាវជ្រាវគួរឆ្លើយសំណួរមួយសំខាន់ថា៖

“បន្ទាប់ពីការសិក្សានេះ តើយើងដឹង ឬអាចធ្វើអ្វីដែលមុននេះមិនទាន់ដឹង ឬមិនទាន់អាចធ្វើបាន?”

ការរួមចំណែកអាចជា៖

• ចំណេះដឹងថ្មី

• ទ្រឹស្តីថ្មី

• Framework ថ្មី

• Model ថ្មី

• Algorithm ថ្មី

• វិធីសាស្ត្រថ្មី

• Dataset ថ្មី

• Software Artifact

• ភស្តុតាងថ្មី

• ការអនុវត្តថ្មីក្នុងបរិបទជាក់លាក់

៥. វដ្តមូលដ្ឋាននៃការស្រាវជ្រាវវិទ្យាសាស្ត្រ

រូបភាព ១.១.១-១៖ វដ្តមូលដ្ឋាននៃការស្រាវជ្រាវវិទ្យាសាស្ត្រ

រូបភាពអមបង្ហាញការស្រាវជ្រាវជាវដ្តដែលមានដំណាក់កាលសំខាន់ៗ៖

ប្រភព៖ រៀបចំឡើងដោយអ្នកនិពន្ធ សម្រាប់គោលបំណងអប់រំ។

ការស្រាវជ្រាវមិនចាំបាច់ជាដំណើរការបន្ទាត់ត្រង់ជានិច្ចទេ។ វាអាចមានការត្រឡប់ទៅកែសម្រួលបញ្ហា សំណួរ វិធីសាស្ត្រ ឬការវិភាគ។ ទិន្នន័យរបស់ National Science Board ក៏ពិភាក្សាអំពីការយល់វិទ្យាសាស្ត្រជាដំណើរការដែលត្រូវបន្តសាកល្បង និងកែប្រែទៅតាមភស្តុតាងថ្មី [4]។

៦. ដំណាក់កាលទី១៖ ការសង្កេត និងស្វែងរកបញ្ហា

ការស្រាវជ្រាវភាគច្រើនចាប់ផ្តើមពី បញ្ហា មិនមែនពីការជ្រើសរើសបច្ចេកវិទ្យាជាមុនទេ។

ឧទាហរណ៍ អ្នកសង្កេតឃើញថា៖

• ការចុះវត្តមាននិស្សិតដោយដៃចំណាយពេលយូរ។

• ប្រព័ន្ធស្វែងរកឯកសារខ្មែរមានភាពត្រឹមត្រូវទាប។

• អ្នកប្រើប្រាស់កម្មវិធីមួយបោះបង់ការប្រើប្រាស់ច្រើន។

• Traffic Light ប្រើពេលថេរ ទោះបីចំនួនយានយន្តខុសគ្នា។

• ការផ្ទៀងផ្ទាត់សញ្ញាបត្រចំណាយពេលយូរ។

• Dataset ភាសាខ្មែរសម្រាប់ AI នៅមានកម្រិត។

បញ្ហាទាំងនេះអាចក្លាយជាចំណុចចាប់ផ្តើមនៃការស្រាវជ្រាវ។

៧. ដំណាក់កាលទី២៖ កំណត់បញ្ហាស្រាវជ្រាវ

Research Problem មិនមែនគ្រាន់តែជាប្រធានបទទូលំទូលាយទេ។

ឧទាហរណ៍៖

មិនទាន់ជាបញ្ហាស្រាវជ្រាវ

“Artificial Intelligence in Education”

នេះគ្រាន់តែជាវិស័យ ឬប្រធានបទ។

ច្បាស់ជាង

“គ្រូបង្រៀនមិនអាចកំណត់និស្សិតដែលមានហានិភ័យបោះបង់ការសិក្សាបានទាន់ពេល ដោយសារទិន្នន័យសិក្សាមានបរិមាណច្រើន និងត្រូវបានវិភាគដោយដៃ។”

ពីបញ្ហានេះ អាចបង្កើតការសិក្សាអំពី Machine Learning សម្រាប់ Early Warning System។

បញ្ហាស្រាវជ្រាវល្អគួរបញ្ជាក់៖

1. បញ្ហាអ្វី?

2. បញ្ហាកើតនៅទីណា?

3. ប៉ះពាល់ដល់អ្នកណា?

4. មានភស្តុតាងអ្វីថាបញ្ហាមានពិត?

5. ហេតុអ្វីដំណោះស្រាយបច្ចុប្បន្នមិនគ្រប់គ្រាន់?

6. តើចន្លោះស្រាវជ្រាវស្ថិតនៅត្រង់ណា?

៨. ដំណាក់កាលទី៣៖ ការសិក្សាឯកសារ

មុនបង្កើតដំណោះស្រាយថ្មី អ្នកស្រាវជ្រាវត្រូវដឹងថា អ្នកដទៃបានធ្វើអ្វីរួចហើយ។

Literature Review ជួយឱ្យអ្នកស្រាវជ្រាវដឹងពី៖

• ទ្រឹស្តីដែលពាក់ព័ន្ធ

• វិធីសាស្ត្រដែលធ្លាប់ប្រើ

• Algorithm ដែលធ្លាប់សាកល្បង

• Dataset ដែលមានស្រាប់

• លទ្ធផលដែលធ្លាប់រកឃើញ

• កម្រិតកំណត់នៃការសិក្សាមុន

• ចន្លោះស្រាវជ្រាវ

ដូច្នេះ Literature Review មិនមែនជាការយកអត្ថបទ ២០ ឬ ៣០ មកសង្ខេបរៀងៗខ្លួនប៉ុណ្ណោះទេ។ គោលបំណងសំខាន់គឺ ប្រៀបធៀប វិភាគ និងសំយោគ ដើម្បីបង្ហាញថា ការសិក្សាថ្មីត្រូវបំពេញចន្លោះអ្វី។

៩. ដំណាក់កាលទី៤៖ គោលបំណង និងសំណួរស្រាវជ្រាវ

គោលបំណងស្រាវជ្រាវបង្ហាញថា៖

“ការសិក្សានេះចង់សម្រេចអ្វី?”

សំណួរស្រាវជ្រាវបង្ហាញថា៖

“ការសិក្សានេះចង់រកចម្លើយអំពីអ្វី?”

ឧទាហរណ៍ គម្រោងប្រព័ន្ធ Face Recognition Attendance អាចមានសំណួរ៖

RQ1: តើប្រព័ន្ធសម្គាល់មុខអាចសម្គាល់និស្សិតបានត្រឹមត្រូវកម្រិតណា?

RQ2: តើប្រព័ន្ធថ្មីអាចកាត់បន្ថយពេលវេលាចុះវត្តមានបានកម្រិតណា បើប្រៀបធៀបនឹងវិធីសាស្ត្រចាស់?

RQ3: តើសាស្ត្រាចារ្យ និងនិស្សិតមានកម្រិតពេញចិត្តចំពោះប្រព័ន្ធថ្មីយ៉ាងដូចម្តេច?

សំណួរទាំងបីតម្រូវឱ្យប្រមូលទិន្នន័យខុសៗគ្នា។

១០. ដំណាក់កាលទី៥៖ សម្មតិកម្ម និង Framework

សម្រាប់ការស្រាវជ្រាវខ្លះ អ្នកស្រាវជ្រាវអាចបង្កើត សម្មតិកម្ម (Hypothesis) ដើម្បីធ្វើតេស្ត។

ឧទាហរណ៍៖

H1: ការប្រើប្រព័ន្ធចុះវត្តមានដោយសម្គាល់មុខ អាចកាត់បន្ថយពេលវេលាចុះវត្តមានបានយ៉ាងមានន័យ បើប្រៀបធៀបនឹងការចុះវត្តមានដោយដៃ។

ក្នុងការសិក្សាសង្គម និង Information Systems អាចមាន Conceptual Framework ដែលបង្ហាញទំនាក់ទំនងរវាងអញ្ញត្តិផ្សេងៗ។

ឧទាហរណ៍៖

Perceived Usefulness → Intention to Use

Ease of Use → Intention to Use

Trust → Intention to Use

មិនមែនការស្រាវជ្រាវគ្រប់ប្រភេទសុទ្ធតែត្រូវការសម្មតិកម្មទេ។ ការស្រាវជ្រាវគុណភាព ឬការសិក្សាបែបរុករកអាចផ្តោតលើសំណួរស្រាវជ្រាវជំនួស។

១១. ដំណាក់កាលទី៦៖ ជ្រើសរើសវិធីសាស្ត្រស្រាវជ្រាវ

វិធីសាស្ត្រមិនគួរត្រូវជ្រើសរើសដោយសារតែ “ងាយធ្វើ” ទេ។ វាត្រូវសមនឹងសំណួរស្រាវជ្រាវ។

តារាង ១.១.១-២៖ វិធីសាស្ត្រស្រាវជ្រាវ និងគោលបំណងប្រើប្រាស់

ប្រភព៖ រៀបចំឡើងដោយអ្នកនិពន្ធ។

១២. ដំណាក់កាលទី៧៖ ប្រមូលទិន្នន័យ

ទិន្នន័យជាមូលដ្ឋាននៃភស្តុតាង។

ទិន្នន័យអាចជាទម្រង់៖

ទិន្នន័យបរិមាណ

• អាយុ

• ពិន្ទុ

• Accuracy

• Response Time

• Error Rate

• CPU Usage

• Number of Transactions

• Satisfaction Score

ទិន្នន័យគុណភាព

• បទសម្ភាសន៍

• មតិយោបល់

• បទពិសោធន៍

• ការសង្កេត

• ឯកសារ

• សេចក្តីពិពណ៌នា

ទិន្នន័យប្រព័ន្ធ

• Log Files

• Sensor Data

• Transaction Records

• Network Traffic

• User Interaction Logs

អ្នកស្រាវជ្រាវត្រូវអាចពន្យល់ថា ទិន្នន័យបានមកពីណា ប្រមូលពេលណា ពីអ្នកណា និងតាមនីតិវិធីអ្វី។

១៣. ដំណាក់កាលទី៨៖ វិភាគទិន្នន័យ

ការមានទិន្នន័យមិនមានន័យថាមានលទ្ធផលស្រាវជ្រាវភ្លាមទេ។ ទិន្នន័យត្រូវបានរៀបចំ សម្អាត វិភាគ និងបកស្រាយ។

ឧទាហរណ៍ Quantitative៖

• Frequency

• Percentage

• Mean

• Standard Deviation

• Correlation

• t-test

• ANOVA

• Regression

ឧទាហរណ៍ AI៖

• Accuracy

• Precision

• Recall

• F1-score

• ROC-AUC

• Mean Absolute Error

• Root Mean Squared Error

ឧទាហរណ៍ Qualitative៖

• Coding

• Thematic Analysis

• Content Analysis

• Narrative Analysis

វិធីវិភាគត្រូវជ្រើសរើសតាមប្រភេទទិន្នន័យ និងសំណួរស្រាវជ្រាវ។

១៤. សេចក្តីសន្និដ្ឋានត្រូវមកពីភស្តុតាង

ចំណុចដ៏សំខាន់មួយគឺ៖

សេចក្តីសន្និដ្ឋានត្រូវមកពីលទ្ធផល មិនមែនលទ្ធផលត្រូវបានកែឱ្យស្របនឹងសេចក្តីសន្និដ្ឋានដែលអ្នកស្រាវជ្រាវចង់បានទេ។

ឧទាហរណ៍៖

ប្រសិនបើអ្នកស្រាវជ្រាវអះអាងថា៖

“ប្រព័ន្ធថ្មីកាត់បន្ថយពេលវេលាបាន 50%”

ត្រូវមានទិន្នន័យពីការវាស់វែង។

ប្រសិនបើអះអាងថា៖

“អ្នកប្រើប្រាស់ពេញចិត្តខ្ពស់”

ត្រូវមានឧបករណ៍វាស់ ក្រុមអ្នកចូលរួម និងលទ្ធផលដែលអាចបង្ហាញការអះអាងនេះបាន។

១៥. ប្រភេទសំខាន់ៗនៃការស្រាវជ្រាវ

១៥.១ ការស្រាវជ្រាវមូលដ្ឋាន

Basic Research ផ្តោតលើការបង្កើត ឬពង្រីកចំណេះដឹងដោយមិនចាំបាច់មានគោលដៅអនុវត្តភ្លាមៗ។

ឧទាហរណ៍៖

• សិក្សាទ្រឹស្តីថ្មីក្នុង Machine Learning

• សិក្សារចនាសម្ព័ន្ធភាសាខ្មែរ

• សិក្សាវិធីថ្មីសម្រាប់ Optimization

១៥.២ ការស្រាវជ្រាវអនុវត្ត

Applied Research មានគោលបំណងដោះស្រាយបញ្ហាជាក់លាក់។ OECD បែងចែក applied research ថាជាការស៊ើបអង្កេតដើមដែលត្រូវបានដឹកនាំទៅរកគោលបំណងអនុវត្តជាក់លាក់ [1]។

ឧទាហរណ៍៖

• AI សម្រាប់រកជំងឺលើដំណាំ

• AI សម្រាប់ព្យាករណ៍និស្សិតដែលមានហានិភ័យបោះបង់ការសិក្សា

• Blockchain សម្រាប់ផ្ទៀងផ្ទាត់សញ្ញាបត្រ

១៥.៣ ការអភិវឌ្ឍន៍ពិសោធន៍

Experimental Development ប្រើចំណេះដឹងដែលមានស្រាប់ ដើម្បីបង្កើតផលិតផល ដំណើរការ ឬសេវាកម្មថ្មី ឬកែលម្អអ្វីដែលមានស្រាប់ [1]។

ឧទាហរណ៍៖

• បង្កើត Prototype ថ្មី

• កែលម្អ Algorithm

• បង្កើត Smart Traffic System

• បង្កើត E-learning Platform ថ្មី

១៦. ការស្រាវជ្រាវ និងការអភិវឌ្ឍកម្មវិធីខុសគ្នាដូចម្តេច?

នេះជាចំណុចសំខាន់ណាស់សម្រាប់និស្សិតកុំព្យូទ័រ។

ការបង្កើតកម្មវិធីអាចមាន៖

Requirements → Design → Coding → Testing → Deployment

នេះគឺជា Software Development។

ការស្រាវជ្រាវវិញមាន៖

Problem → Research Gap → Research Question → Method → Evidence → Analysis → Contribution

នេះគឺជា Research។

គម្រោងសិក្សាកុំព្យូទ័រដែលមានគុណភាពអាចរួមបញ្ចូលទាំងពីរ៖

Research + Software Development

១៧. ឧទាហរណ៍៖ ពី Software Project ទៅ Research Project

សន្មតថានិស្សិតចង់បង្កើត៖

Face Recognition Attendance System

បើនិស្សិតគ្រាន់តែ៖

1. បង្កើត Database

2. បង្កើត UI

3. បញ្ចូល Face Recognition Library

4. សាកល្បងថាដំណើរការឬអត់

នេះជាគម្រោងអភិវឌ្ឍកម្មវិធី។

ប៉ុន្តែបើនិស្សិតកំណត់៖

បញ្ហា

ការចុះវត្តមានដោយដៃចំណាយពេល និងអាចមានការចុះវត្តមានជំនួសគ្នា។

សំណួរស្រាវជ្រាវ

RQ1: តើប្រព័ន្ធសម្គាល់មុខមាន Accuracy កម្រិតណា?

RQ2: តើវាកាត់បន្ថយពេលវេលាចុះវត្តមានបានប៉ុន្មាន?

RQ3: តើលក្ខខណ្ឌពន្លឺប៉ះពាល់ដល់ Recognition Accuracy ដែរឬទេ?

វិធីសាស្ត្រ

• បង្កើត Prototype

• ជ្រើសរើសអ្នកចូលរួម

• ធ្វើពិសោធន៍ក្រោមលក្ខខណ្ឌផ្សេងៗ

• កត់ត្រា Accuracy

• កត់ត្រា False Acceptance

• កត់ត្រា False Rejection

• វាស់ Processing Time

លទ្ធផល

ប្រៀបធៀប៖

• វិធីចាស់

• ប្រព័ន្ធថ្មី

• លក្ខខណ្ឌពន្លឺផ្សេងៗ

• Algorithm ផ្សេងៗ

នេះក្លាយជា Research and Development Project ដែលមានភាពរឹងមាំជាងការសរសេរកម្មវិធីតែប៉ុណ្ណោះ។

១៨. វិទ្យាសាស្ត្រពិត និងវិទ្យាសាស្ត្រសង្គមក្នុងការស្រាវជ្រាវកុំព្យូទ័រ

គម្រោងកុំព្យូទ័រមិនចាំបាច់ស្ថិតនៅក្នុងវិទ្យាសាស្ត្របច្ចេកទេសតែមួយមុខទេ។

គម្រោងជាច្រើនមានលក្ខណៈ អន្តរវិស័យ។

ឧទាហរណ៍៖ E-learning System

ផ្នែកបច្ចេកទេស

អាចសិក្សា៖

• Performance

• Security

• Availability

• Recommendation Accuracy

• Response Time

ផ្នែកសង្គម

អាចសិក្សា៖

• User Satisfaction

• Technology Acceptance

• Digital Literacy

• Motivation

• Trust

• Cultural Factors

ដូច្នេះ ការស្រាវជ្រាវកុំព្យូទ័រខ្លះត្រូវការទាំងវិធីសាស្ត្រពិសោធន៍ និងវិធីសាស្ត្រសង្គម។

១៩. តើការស្រាវជ្រាវបរិញ្ញាបត្រ អនុបណ្ឌិត និងបណ្ឌិតខុសគ្នាដូចម្តេច?

តារាង ១.១.១-៣៖ ការរំពឹងទុកលើការស្រាវជ្រាវតាមកម្រិតសិក្សា

ប្រភព៖ រៀបចំឡើងដោយអ្នកនិពន្ធ សម្រាប់គោលបំណងពន្យល់។

តារាងនេះមិនមានន័យថាការស្រាវជ្រាវបរិញ្ញាបត្រមិនត្រូវការគុណភាពទេ។ គ្រប់កម្រិតត្រូវគោរពវិធីសាស្ត្រ និងសុចរិតភាពស្រាវជ្រាវ ប៉ុន្តែកម្រិតភាពជ្រៅ ភាពស្មុគស្មាញ និងការរួមចំណែកត្រូវកើនឡើងទៅតាមកម្រិតសិក្សា។

២០. ភាពខុសគ្នារវាង Research, Development និង Innovation

ពាក្យទាំងបីមានទំនាក់ទំនងគ្នា ប៉ុន្តែមិនមានន័យដូចគ្នា។

តារាង ១.១.១-៤៖ ការប្រៀបធៀប Research, Development និង Innovation

២១. កំហុសដែលនិស្សិតធ្វើញឹកញាប់

២១.១ ចាប់ផ្តើមពីបច្ចេកវិទ្យា

ឧទាហរណ៍៖

“ខ្ញុំចង់ធ្វើ Blockchain សម្រាប់ Thesis।”

បញ្ហាគឺ៖ មិនទាន់ដឹងថា Blockchain ត្រូវដោះស្រាយបញ្ហាអ្វី។

គួរចាប់ផ្តើមពី៖

Problem → Need → Suitable Technology

មិនមែន៖

Technology → ស្វែងរកបញ្ហាមកដាក់

២១.២ ប្រធានបទធំពេក

ឧទាហរណ៍មិនល្អ៖

Artificial Intelligence in Cambodia

ប្រធានបទនេះធំខ្លាំង។

អាចកាត់បន្ថយទៅជា៖

Machine Learning-Based Early Warning Model for Identifying University Students at Risk of Academic Failure.

២១.៣ គ្មាន Research Gap

ការនិយាយថា៖

“ប្រធានបទនេះសំខាន់ ដូច្នេះខ្ញុំចង់ស្រាវជ្រាវ”

មិនទាន់គ្រប់គ្រាន់។

អ្នកស្រាវជ្រាវត្រូវបង្ហាញថា៖

• អ្វីដែលដឹងរួច?

• អ្វីដែលមិនទាន់ដឹង?

• អ្វីដែលវិធីសាស្ត្រមុនមិនទាន់ដោះស្រាយ?

• ហេតុអ្វីការសិក្សាថ្មីត្រូវការជាចាំបាច់?

២១.៤ សន្និដ្ឋានមុនឃើញទិន្នន័យ

អ្នកស្រាវជ្រាវមិនគួរបង្កើតប្រព័ន្ធរួចអះអាងជាមុនថា៖

“ប្រព័ន្ធថ្មីមានប្រសិទ្ធភាពខ្ពស់”

ត្រូវឱ្យទិន្នន័យជាអ្នកបង្ហាញ។

២១.៥ ប្រមូលទិន្នន័យដែលមិនឆ្លើយសំណួរ

រាល់ Data Item គួរតែមានគោលបំណង។

បើសំណួរស្រាវជ្រាវគឺ៖

“តើប្រព័ន្ធមានភាពត្រឹមត្រូវកម្រិតណា?”

អ្នកស្រាវជ្រាវត្រូវប្រមូលទិន្នន័យដែលអាចគណនា Accuracy មិនមែនប្រមូលព័ត៌មានដែលមិនទាក់ទង។

២២. ក្រាហ្វក្នុងការស្រាវជ្រាវ៖ ត្រូវបង្ហាញអ្វីដែលទិន្នន័យនិយាយ

National Science Board បានរាយការណ៍ថា កម្រិតការយល់ដឹងរបស់សាធារណជនអំពីដំណើរការវិទ្យាសាស្ត្រ មានទំនាក់ទំនងជាមួយកម្រិតទំនុកចិត្តលើអ្នកវិទ្យាសាស្ត្រ។ ទិន្នន័យនេះត្រូវបានប្រើដើម្បីបង្ហាញពីសារៈសំខាន់នៃការយល់ពី “វិទ្យាសាស្ត្រជាដំណើរការ” មិនមែនត្រឹមតែចងចាំលទ្ធផលវិទ្យាសាស្ត្រប៉ុណ្ណោះទេ [4]។

ក្រាហ្វ ១.១.១-១៖ ឧទាហរណ៍ទំនាក់ទំនងរវាងការយល់ដឹងអំពីដំណើរការវិទ្យាសាស្ត្រ និងទំនុកចិត្តលើអ្នកវិទ្យាសាស្ត្រ

ក្រាហ្វបែបនេះត្រូវមាន៖

• ចំណងជើងច្បាស់

• ឈ្មោះអ័ក្ស X

• ឈ្មោះអ័ក្ស Y

• ឯកតាវាស់

• ប្រភពទិន្នន័យ

• លេខយោង

ប្រភព៖ រៀបចំដោយអ្នកនិពន្ធ ដោយយោងតាម National Science Board [4]។

សំខាន់បំផុត អ្នកស្រាវជ្រាវមិនត្រូវមើលឃើញ “ទំនាក់ទំនង” ហើយសន្និដ្ឋានភ្លាមថា “មូលហេតុ” នោះទេ។ Correlation មិនស្មើនឹង Causation ដោយស្វ័យប្រវត្តិ។

២៣. តើអ្វីធ្វើឱ្យការស្រាវជ្រាវមួយមានគុណភាព?

អាចប្រើសំណួរខាងក្រោមដើម្បីត្រួតពិនិត្យ៖

១. បញ្ហាច្បាស់ឬទេ?

តើអ្នកអានយល់ភ្លាមថាការសិក្សាកំពុងដោះស្រាយអ្វី?

២. មានភស្តុតាងថាបញ្ហាមានពិតឬទេ?

មិនគួរបង្កើតបញ្ហាតាមការសន្មត។

៣. Literature Review គ្រប់គ្រាន់ឬទេ?

តើដឹងថាអ្នកដទៃបានសិក្សាអ្វី?

៤. Research Gap ច្បាស់ឬទេ?

តើការសិក្សាថ្មីត្រូវបំពេញអ្វី?

៥. Research Questions ឆ្លើយបានឬទេ?

សំណួរទូលំទូលាយពេកនឹងធ្វើឱ្យការស្រាវជ្រាវពិបាក។

៦. Methodology សមស្របឬទេ?

វិធីសាស្ត្រត្រូវស្របនឹងសំណួរ។

៧. ទិន្នន័យគួរឱ្យទុកចិត្តឬទេ?

ត្រូវពិនិត្យប្រភព គុណភាព និងវិធីប្រមូល។

៨. ការវិភាគត្រឹមត្រូវឬទេ?

វិធីវិភាគត្រូវសមនឹងទិន្នន័យ។

៩. សេចក្តីសន្និដ្ឋានស្របនឹងលទ្ធផលឬទេ?

កុំអះអាងលើសពីភស្តុតាង។

១០. មានការរួមចំណែកឬទេ?

អ្នកអានត្រូវដឹងថាការសិក្សាបន្ថែមអ្វីទៅក្នុងវិស័យ។

២៤. រូបមន្តសាមញ្ញសម្រាប់និស្សិតចងចាំ

និស្សិតអាចចងចាំការស្រាវជ្រាវតាមរូបមន្ត៖

P → G → Q → M → D → A → R → C

ដែលមានន័យថា៖

P = Problem — បញ្ហា
G = Gap — ចន្លោះស្រាវជ្រាវ
Q = Question — សំណួរស្រាវជ្រាវ
M = Method — វិធីសាស្ត្រ
D = Data — ទិន្នន័យ
A = Analysis — ការវិភាគ
R = Result — លទ្ធផល
C = Contribution — ការរួមចំណែក

ប្រសិនបើគម្រោងមួយមានតែ៖

Coding → Software

នោះវាអាចជាគម្រោងអភិវឌ្ឍកម្មវិធី។

ប៉ុន្តែប្រសិនបើមាន៖

Problem → Gap → Research Question → Development → Evaluation → Evidence → Contribution

នោះវាកាន់តែមានលក្ខណៈជាគម្រោង Research and Development។

២៥. គោលការណ៍សម្រាប់អ្នកស្រាវជ្រាវថ្មី

អ្នកចាប់ផ្តើមស្រាវជ្រាវគួរចងចាំគោលការណ៍ខាងក្រោម៖

ទី១៖ ចាប់ផ្តើមពីបញ្ហា មិនមែនពីបច្ចេកវិទ្យា។

ទី២៖ កុំអះអាងអ្វីដោយគ្មានភស្តុតាង។

ទី៣៖ កុំអាន Literature ដើម្បីចម្លង ត្រូវអានដើម្បីរក Gap។

ទី៤៖ Research Question ជាអ្នកដឹកនាំ Methodology។

ទី៥៖ Methodology ជាអ្នកកំណត់ថាត្រូវប្រមូល Data អ្វី។

ទី៦៖ Data ជាអ្នកកំណត់លទ្ធផល មិនមែនការរំពឹងទុករបស់អ្នកស្រាវជ្រាវ។

ទី៧៖ លទ្ធផលអវិជ្ជមានក៏ជាចំណេះដឹង។

ទី៨៖ បង្ហាញ Limitation ដោយស្មោះត្រង់។

ទី៩៖ Citation ត្រូវភ្ជាប់ទៅប្រភពពិត។

ទី១០៖ ការស្រាវជ្រាវល្អត្រូវអាចពន្យល់ និងពិនិត្យបាន។

២៦. សេចក្តីសន្និដ្ឋាន

ការស្រាវជ្រាវវិទ្យាសាស្ត្រ គឺជាដំណើរការស្វែងរក បង្កើត និងផ្ទៀងផ្ទាត់ចំណេះដឹងដោយមានលំដាប់លំដោយ ផ្អែកលើទិន្នន័យ និងភស្តុតាង និងអាចឱ្យអ្នកដទៃពិនិត្យបាន។ វាមិនមែនជាការប្រមូលព័ត៌មាន ឬការសរសេរកម្មវិធីតែប៉ុណ្ណោះទេ។

ការស្រាវជ្រាវចាប់ផ្តើមពីបញ្ហា បន្តទៅការសិក្សាឯកសារ ការកំណត់ Research Gap សំណួរស្រាវជ្រាវ និងគោលបំណង បន្ទាប់មកជ្រើសរើសវិធីសាស្ត្រ ប្រមូលទិន្នន័យ វិភាគ បកស្រាយ សន្និដ្ឋាន និងបង្ហាញការរួមចំណែក។

សម្រាប់វិស័យកុំព្យូទ័រ និងវិស្វកម្មកម្មវិធី ចំណុចនេះមានសារៈសំខាន់ជាពិសេស ព្រោះការបង្កើត Software, AI Model, Mobile Application, Blockchain System ឬ IoT Prototype មិនមានន័យដោយស្វ័យប្រវត្តិថាជាការស្រាវជ្រាវទេ។ ដើម្បីក្លាយជាស្នាដៃស្រាវជ្រាវ ត្រូវបង្ហាញថា Artifact នោះឆ្លើយតបបញ្ហាអ្វី ត្រូវបានបង្កើតដោយវិធីណា ត្រូវបានវាយតម្លៃដោយរបៀបណា និងបង្កើតចំណេះដឹង ឬការរួមចំណែកអ្វី។

ដូច្នេះ គុណភាពនៃការស្រាវជ្រាវមិនត្រូវវាស់តាមចំនួនទំព័រ ចំនួន Reference ឬភាពស្មុគស្មាញរបស់ Source Code ទេ។ គុណភាពស្ថិតនៅលើ ភាពច្បាស់នៃបញ្ហា ភាពរឹងមាំនៃវិធីសាស្ត្រ គុណភាពភស្តុតាង ភាពត្រឹមត្រូវនៃការវិភាគ សុចរិតភាពរបស់អ្នកស្រាវជ្រាវ និងតម្លៃនៃការរួមចំណែក។

២៧. សំណួរសម្រាប់ពិភាក្សា

1. តើការស្រាវជ្រាវវិទ្យាសាស្ត្រខុសពីការស្វែងរកព័ត៌មានយ៉ាងដូចម្តេច?

2. ហេតុអ្វីការបង្កើតកម្មវិធីមួយមិនទាន់គ្រប់គ្រាន់ដើម្បីចាត់ទុកថាជាការស្រាវជ្រាវ?

3. តើ “ភស្តុតាង” មានតួនាទីអ្វីក្នុងការស្រាវជ្រាវ?

4. តើ Research Problem និង Research Question ខុសគ្នាយ៉ាងដូចម្តេច?

5. ហេតុអ្វី Literature Review ត្រូវធ្វើមុនការបង្កើតដំណោះស្រាយ?

6. តើ Research Gap មានន័យដូចម្តេច?

7. តើលទ្ធផលដែលមិនគាំទ្រសម្មតិកម្មមានតម្លៃវិទ្យាសាស្ត្រឬទេ?

8. តើការស្រាវជ្រាវវិទ្យាសាស្ត្រពិត និងវិទ្យាសាស្ត្រសង្គមអាចប្រើរួមគ្នាក្នុងគម្រោងកុំព្យូទ័រដោយរបៀបណា?

9. តើការស្រាវជ្រាវ និងការអភិវឌ្ឍកម្មវិធីអាចរួមបញ្ចូលគ្នាដោយរបៀបណា?

10. តើអ្វីគួរត្រូវបានចាត់ទុកថាជា “ការរួមចំណែក” ក្នុងស្នាដៃស្រាវជ្រាវ?

២៨. លំហាត់អនុវត្ត

ជ្រើសរើសប្រព័ន្ធ ឬកម្មវិធីកុំព្យូទ័រមួយដែលអ្នកចង់បង្កើត ហើយបំពេញចំណុចខាងក្រោម៖

១. ប្រធានបទ៖
..................................................................

២. បញ្ហាជាក់ស្តែង៖
..................................................................

៣. អ្នកដែលទទួលរងផលប៉ះពាល់៖
..................................................................

៤. ភស្តុតាងថាបញ្ហាមានពិត៖
..................................................................

៥. Research Gap៖
..................................................................

៦. សំណួរស្រាវជ្រាវទី១៖
..................................................................

៧. សំណួរស្រាវជ្រាវទី២៖
..................................................................

៨. វិធីសាស្ត្រស្រាវជ្រាវ៖
..................................................................

៩. ទិន្នន័យដែលត្រូវប្រមូល៖
..................................................................

១០. របៀបវាយតម្លៃលទ្ធផល៖
..................................................................

១១. ការរួមចំណែកដែលរំពឹងទុក៖
..................................................................

២៩. ចំណុចសំខាន់សម្រាប់ចងចាំ

ការស្រាវជ្រាវចាប់ផ្តើមពីបញ្ហា មិនមែនពីបច្ចេកវិទ្យា។

សំណួរស្រាវជ្រាវជាអ្នកដឹកនាំវិធីសាស្ត្រស្រាវជ្រាវ។

ការអះអាងត្រូវមានភស្តុតាង។

កម្មវិធីដែលដំណើរការបាន មិនមានន័យថាកម្មវិធីនោះត្រូវបានបង្ហាញតាមវិទ្យាសាស្ត្រថាមានប្រសិទ្ធភាពទេ។

អ្នកស្រាវជ្រាវល្អមិនបង្ខំឱ្យទិន្នន័យគាំទ្រគំនិតរបស់ខ្លួនទេ ប៉ុន្តែអនុញ្ញាតឱ្យទិន្នន័យជាអ្នកប្រាប់លទ្ធផល។

ការស្រាវជ្រាវល្អត្រូវបញ្ចប់ដោយការរួមចំណែកច្បាស់លាស់។

ឯកសារយោង

[1] OECD, Frascati Manual 2015: Guidelines for Collecting and Reporting Data on Research and Experimental Development, The Measurement of Scientific, Technological and Innovation Activities. Paris, France: OECD Publishing, 2015, doi: 10.1787/9789264239012-en.

[2] National Academies of Sciences, Engineering, and Medicine, Reproducibility and Replicability in Science. Washington, DC, USA: The National Academies Press, 2019.

[3] UNESCO, “Recommendation on Science and Scientific Researchers,” adopted by the General Conference of UNESCO at its 39th session, Paris, France, Nov. 13, 2017.

[4] National Science Board, “Science and Technology: Public Perceptions, Awareness, and Information Sources,” Science and Engineering Indicators 2024, National Center for Science and Engineering Statistics, National Science Foundation, Feb. 14, 2024.