1.一种基于学生行为分析的教学方案推荐方法，其特征在于，包括：获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；

将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；

根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；

利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目；

所述行为反馈数据包括所述学生进行N‑back记忆训练测试任务和记忆重现测试任务的眼动数据、脑电数据；

所述将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数，包括：对所述眼动数据进行眼动分析，获取所述学生的注视次数、注视偏向和注视密度信息；

对所述脑电数据进行脑电信号频谱分析和事件相关电位分析，获取所述学生的神经活动模式和反应时间；

对所述脑电数据进行源分析、相干性分析和时间频域分析，获取各脑电波的频率带；

将所述注视次数、所述注视偏向、所述注视密度信息、所述神经活动模式、所述反应时间和所述各脑电波的频率带输入到所述预设认知负荷计算模型进行计算，获取计算结果以得到所述认知负荷水平指数；其中，所述预设认知负荷计算模型是基于任务负荷指数量表、主观负荷评估技术量表和情绪自我评定量表所构建的模型；

所述方法还包括：

结合所述N‑back记忆训练测试任务和所述记忆重现测试任务的任务复杂度、任务变化、任务目标以及所述学生的在进行任务中的心理需求、身体需求、时间需求、任务需求、努力和绩效，优化所述认知负荷水平指数；

所述利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案，包括：将所述学生身份信息确定为用户属性，将每个待推荐教学方案的方案信息确定为物品属性；

根据所述用户属性和所述物品属性，基于用户‑物品矩阵构建学生‑教学方案矩阵；

对所述学生‑教学方案矩阵进行特征提取，获取每个认知层级的学生的偏好向量和所述每个待推荐教学方案的属性向量；其中，所述偏好向量表示学生对教学方案的喜好程度，所述属性向量包括教学方案的难度、主题、类别；

根据所述偏好向量计算所述学生之间的第一相似度，以及根据所述属性向量计算所述每个待推荐教学方案的第二相似度；

根据所述偏好向量、所述第一相似度以及第二相似度，生成所述学生的兴趣相似学生和教学方案推荐列表；

根据所述兴趣相似学生和教学方案推荐列表，推荐所述目标认知层级对应的所述目标教学方案；

所述方法还包括：

获取在采用所述预设教学课件教学时所述学生的学习状态相关信息，其中，所述学习状态相关信息包括出勤率、课堂参与度、测试完成情况、测试得分情况、学习风格和兴趣爱好；

采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态；

根据所述学习状态，确定是否启动教学预案；

所述采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态，包括：计算所述学习状态相关信息中每个分类属性的信息增益，获取第一最优分类属性；

将所述第一最优分类属性作为决策树的第一个节点，将所述学生在所述第一最优分类属性下分为两个第一最优分类属性子集；

基于所述两个第一最优分类属性子集，算剩余分类属性的信息增益，获取第二最优分类属性，并以所述第二最优分类属性决策树的下一个节点，将所述学生在所述第二最优分类属性下分为两个第二最优分类属性子集，直到所有分类属性都被分类；

根据所述决策树的计算结果确定所述学生的学习状态；

所述方法还包括：

响应于确定启动教学预案，根据所述学生的知识结构、专注程度、课堂互动和做题能力，确定所述学生的认知水平；

从所述预设教学课件中找到超出所述学生的认知水平的教学内容；

将所述超出所述学生的认知水平的教学内容替换成对应的教学预案内容；

所述方法还包括：

对所述预设教学课件进行文本分析和时间分布分析，获取所述预设情境教学内容在所述预设教学课件中的段落信息和时间信息；

根据所述段落信息和时间信息，发出情境教学提示信息。

2.一种基于学生行为分析的教学方案推荐装置，其特征在于，包括：第一获取模块，用于获取在采用预设教学课件教学时采集到的学生的第一行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；

第二获取模块，用于将所述第一行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；

处理模块，用于根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；

推荐模块，用于利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目；

所述行为反馈数据包括所述学生进行N‑back记忆训练测试任务和记忆重现测试任务的眼动数据、脑电数据；

所述将所述第一行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数，包括：对所述眼动数据进行眼动分析，获取所述学生的注视次数、注视偏向和注视密度信息；

对所述脑电数据进行脑电信号频谱分析和事件相关电位分析，获取所述学生的神经活动模式和反应时间；

对所述脑电数据进行源分析、相干性分析和时间频域分析，获取各脑电波的频率带；

将所述注视次数、所述注视偏向、所述注视密度信息、所述神经活动模式、所述反应时间和所述各脑电波的频率带输入到所述预设认知负荷计算模型进行计算，获取计算结果以得到所述认知负荷水平指数；其中，所述预设认知负荷计算模型是基于任务负荷指数量表、主观负荷评估技术量表和情绪自我评定量表所构建的模型；

所述方法还包括：

结合所述N‑back记忆训练测试任务和所述记忆重现测试任务的任务复杂度、任务变化、任务目标以及所述学生的在进行任务中的心理需求、身体需求、时间需求、任务需求、努力和绩效，优化所述认知负荷水平指数；

所述利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案，包括：将所述学生身份信息确定为用户属性，将每个待推荐教学方案的方案信息确定为物品属性；

根据所述用户属性和所述物品属性，基于用户‑物品矩阵构建学生‑教学方案矩阵；

对所述学生‑教学方案矩阵进行特征提取，获取每个认知层级的学生的偏好向量和所述每个待推荐教学方案的属性向量；其中，所述偏好向量表示学生对教学方案的喜好程度，所述属性向量包括教学方案的难度、主题、类别；

根据所述偏好向量计算所述学生之间的第一相似度，以及根据所述属性向量计算所述每个待推荐教学方案的第二相似度；

根据所述偏好向量、所述第一相似度以及第二相似度，生成所述学生的兴趣相似学生和教学方案推荐列表；

根据所述兴趣相似学生和教学方案推荐列表，推荐所述目标认知层级对应的所述目标教学方案；

所述方法还包括：

获取在采用所述预设教学课件教学时所述学生的学习状态相关信息，其中，所述学习状态相关信息包括出勤率、课堂参与度、测试完成情况、测试得分情况、学习风格和兴趣爱好；

采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态；

根据所述学习状态，确定是否启动教学预案；

所述采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态，包括：计算所述学习状态相关信息中每个分类属性的信息增益，获取第一最优分类属性；

将所述第一最优分类属性作为决策树的第一个节点，将所述学生在所述第一最优分类属性下分为两个第一最优分类属性子集；

基于所述两个第一最优分类属性子集，算剩余分类属性的信息增益，获取第二最优分类属性，并以所述第二最优分类属性决策树的下一个节点，将所述学生在所述第二最优分类属性下分为两个第二最优分类属性子集，直到所有分类属性都被分类；

根据所述决策树的计算结果确定所述学生的学习状态；

所述方法还包括：

响应于确定启动教学预案，根据所述学生的知识结构、专注程度、课堂互动和做题能力，确定所述学生的认知水平；

从所述预设教学课件中找到超出所述学生的认知水平的教学内容；

将所述超出所述学生的认知水平的教学内容替换成对应的教学预案内容；

所述方法还包括：

对所述预设教学课件进行文本分析和时间分布分析，获取所述预设情境教学内容在所述预设教学课件中的段落信息和时间信息；

根据所述段落信息和时间信息，发出情境教学提示信息。