APPLICATION OF GAME THEORY AGAINST NATURE TO CHOOSE A LEARNING STRATEGY

Cover Page

Cite item

Full Text

Abstract

The problem of choosing a teaching strategy depending on a heterogeneous contingent of students is considered. It is assumed that one of the following strategies can be used: passive, active or interactive learning. The listed strategies can be combined for a specific group of students, but they cannot be applied individually to each individual student. It is necessary to choose the optimal strategy for a specific contingent of students in order to achieve the best learning outcomes. The model of the educational process is mathematically formalized in terms of theory of game against nature. Four categories of students are introduced, correlated with different strategies (states) of «nature». Students can be characterized not only by the presence of abilities, but also by the level of motivation, and the probabilistic distribution of students by these characteristics can be known (stochastic uncertainty) or unknown. In the conditions of stochastic uncertainty, the criteria for choosing the optimal strategy can be the criteria of the maximum average gain or the minimum average risk. Decision-making in the absence of information about the probability distribution of strategies of nature can be based on the criteria of Wald, Savage, Hurwitz. The same game matrix was used for the calculations, but with different assumptions about the distribution of students by type and with different decision-making criteria.The described approaches allow us to take the choice of a learning strategy with greater responsibility for its results. Practice shows the positive impact of such an analysis on the effectiveness of training.

About the authors

Grigoriy Davydovich Gefan

Irkutsk State Railway University

Email: grigef@rambler.ru
ul. Chernyshevskogo, 15, Irkutsk, Russian Federation, 664074

References

  1. Селевко Г. К. Современные образовательные технологии. М.: Народное образование, 1998. 256 с.
  2. Загвязинский В. И. Теория обучения: Современная интерпретация. М.: Академия, 2006. 192 с.
  3. McManus D. The Two Paradigms of Education and the Peer Review of Teaching // Journal of Geoscience Education. 2001. Vol. 49, № 6. Р. 423–434.
  4. Silberman M. Active learning: 101 strategies to teach any subject. Boston: Allyn and Bacon Publ., 1996. 189 p.
  5. Hmelo-Silver C. E. Problem-based learning: what and how do students learn? // Educational Psychology Review. 2004. Vol. 16, № 3. Р. 235–266.
  6. Зимина О. В. Проблемное обучение высшей математике в технических вузах // Математика в высшем образовании. 2006. № 4. С. 55–78.
  7. Гефан Г. Д. Проблемное обучение математике студентов нематематических специальностей и направлений подготовки высшего образования // Математика в высшем образовании. 2015. № 13. С. 51–64.
  8. Гефан Г. Д., Кузьмин О. В. Активное применение компьютерных технологий в преподавании вероятностно-статистических дисциплин в техническом вузе // Вестник Красноярского гос. пед. ун-та им. В. П. Астафьева. 2014. № 1 (27). С. 57–61.
  9. Гефан Г. Д. Концепция теоретико-эмпирического дуализма в обучении математике // Высшее образование в России. 2020. Т. 29, № 4. С. 85–95.
  10. Garris R., Ahlers R., Driskell J. E. Games, motivation, and learning: a research and practice model // Simulation Gaming. 2002. Vol. 33, № 4. Р. 441–467.
  11. Сахарова О. Н. Методика организации деловых игр по математике // Вестник высшей школы. 2008. № 7. С. 38–44.
  12. Burguillo J. C. Using game theory and competition-based learning to stimulate student motivation and performance // Computers & Education. 2010. Vol. 55. Р. 566–575.
  13. Суханов М. Б. Деловые игры с математическим моделированием как средство формирования профессиональной компетентности студентов экономического профиля // Известия Российского гос. пед. ун-та. 2012. № 152. С. 195–202.
  14. Cagiltay N., Ozcelik E., Ozcelik N. S. The effect of competition on learning in games // Computers & Education. 2015. Vol. 87. P. 35–41.
  15. Гефан Г. Д. Обучение математической теории игр с применением игровых и компьютерных технологий // Вестник Московского городского пед. ун-та. Серия: Информатика и информатизация образования. 2017. № 2 (40). С. 26–33.
  16. Гефан Г. Д. Математические бои как часть учебного процесса в вузе (на примере преподавания теории вероятностей) // Вестник Томского гос. пед. ун-та (TSPU Bulletin). 2015. Вып. 7 (160). С. 96–101.
  17. Вентцель Е. С. Исследование операций. Задачи, принципы, методология. М.: Высшая школа, 2001. 208 с.
  18. Papadimitriou C. H. Games against nature // Journal of Computer and System Sciences. 1985. Vol. 31. Р. 288–301.
  19. Гефан Г. Д. Элементы теории игр: учебное пособие. Иркутск: ИрГУПС, 2011. 55 с

Supplementary files

Supplementary Files
Action
1. JATS XML


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».