16-41.pdf

Calidad pedagógica de recursos educativos multimodalesgenerados mediante Magicschool AI y su contribución ala personalización del aprendizaje en educación superiorhttps://doi.org/10.47230/ra.v9i1.153Revista "Alcance"Volumen 9, Número 1, 2026Universidad Estatal del Sur de ManabíInstituto de Posgrado de la UNESUMISSN-e:2960-8244Pedagogical quality of MagicSchool AI-Generatedmultimodal educational resources and their impact onlearning personalization in higher educationRevista "Alcances"UNIVERSIDAD ESTATAL DEL SUR DE MANABÍVolumen:9Número:1Año:2026Paginación:16-41URL:https://alcance.unesum.edu.ec/index.php/alcance/article/view/153*Correspondencia autor:julissa.marcillo@unesum.edu.ecRecibido:10-01-2026Aceptado:15-05-2026Publicado:10-06-2026Julissa Eufemia Marcillo Valverde1https://orcid.org/0009-0006-2319-8373Geanfrank Isaías Cruz Lucas2https://orcid.org/0000-0002-0881-6499Selena María Parrales Villacreses3https://orcid.org/0009-0006-0107-41931.Universidad Estatal del Sur de Manabí - Instituto de Posgrado; Jipijapa, Ecuador.2.Universidad Estatal del Sur de Manabí - Instituto de Posgrado; Jipijapa, Ecuador.3.Universidad Estatal del Sur de Manabí - Instituto de Posgrado; Jipijapa, Ecuador.4.Universidad Estatal del Sur de Manabí - Instituto de Posgrado; Jipijapa, Ecuador.Helen Yamileth Parrales Castro4https://orcid.org/0000-0003-2470-2595

RESUMENEl estudio evaluó la calidad pedagógica de los recursos multimodales generados mediante la plataformaMagicSchool AI y su impacto en la personalización del aprendizaje en la educación superior. Se empleóuna revisión sistemática de la literatura guiada por la declaración PRISMA 2020, analizando investigacionespublicadas entre 2022 y 2026 en diversas bases de datos científicas. Los hallazgos evidenciaron que la he-rramienta destacó por su alta eficiencia en la estructuración metodológica, secuenciación lógica y alineacióntaxonómica de los contenidos, lo que optimizó significativamente la labor de diseño instruccional. En cuantoa la personalización, facilitó procesos de diferenciación cognitiva y lingüística mediante la nivelación de com-plejidad textual y el andamiaje adaptado. Sin embargo, se identificaron limitaciones en la profundidad con-ceptual para niveles de posgrado y una multimodalidad nativa de carácter plano que requirió integracionesexternas. La investigación determinó un Índice de Calidad Pedagógica Ponderado de 4.02/5, situando losrecursos en un nivel “Aceptable-Alto”. Se concluyó que, si bien la plataforma funcionó como un motor eficazpara la fase inicial del diseño, la calidad pedagógica final dependió estrictamente de la mediación crítica, lacuraduría editorial y la supervisión ética del docente.Palabras clave:MagicSchool AI, Calidad pedagógica, Personalización del aprendizaje, Educación supe-rior, Diseño instruccional, Inteligencia artificial generativa.ABSTRACTThe study evaluated the pedagogical quality of multimodal resources generated through the MagicSchool AIplatform and their impact on learning personalization in higher education. A systematic literature review guidedby the PRISMA 2020 statement was employed, analyzing research published between 2022 and 2026 acrossvarious scientific databases. Findings evidenced that the tool stood out for its high efficiency in methodologicalstructuring, logical sequencing, and taxonomic alignment of content, which significantly optimized instructionaldesign tasks. Regarding personalization, it facilitated processes of cognitive and linguistic differentiation throughtext leveling and adapted scaffolding. However, limitations were identified in conceptual depth for postgraduatelevels and a flat native multimodality that required external software integrations. The research determined a Wei-ghted Pedagogical Quality Index of 4.02/5, placing the resources at an “Acceptable-High” level. It was conclu-ded that while the platform functioned as an effective engine for the initial phase of instructional design, final pe-dagogical quality strictly depended on the teacher's critical mediation, editorial curation, and ethical supervision.Keywords:MagicSchool AI, Pedagogical quality, Learning personalization, Higher education, Instructionaldesign, Generative artificial intelligence.

Revista "Alcances"Volumen 9, Número 1, 202618IntroducciónLa irrupción masiva de la inteligenciaartificial generativa (IAG) a partir de finalesdel año 2022 ha desencadenado una delas transformaciones más rápidas e inten-sas documentadas en la historia de la tec-nología educativa (Luo, 2025; Wang et al.,2026). En el contexto de la educación su-perior, las universidades han transitado deun estado de alarma inicial, enfocado pri-mordialmente en la detección de plagio yla preservación de la integridad académica,hacia una fase de asimilación estratégicaen la que la IAG se concibe como un copi-loto de co-creación didáctica y una palancapara la optimización del diseño instruccio-nal (Heine y König, 2025; Luo, 2025; Selwyn,2024; UNESCO, 2021). Entre el ecosistemade herramientas de IAG específicamenteoptimizadas para el ámbito educativo, Ma-gicSchool AI ha emergido como una de lasplataformas líderes a nivel mundial (Baytasy Ruediger, 2024; Kuraplan, 2026; Santilla-na, 2025). Lanzada en 2023, la plataformaagrupa más de ochenta herramientas di-señadas para optimizar la planificación declases, la formulación de evaluaciones for-mativas y el andamiaje de tareas complejas,con el propósito de reducir el agotamientodocente y devolver el tiempo de calidad a lainteracción directa en el aula (Alshumaimeriy Alshememry, 2023; MagicSchool AI, 2024;Santillana, 2025).A pesar de la rápida adopción empíri-ca de MagicSchool AI por millones de edu-cadores globalmente, la literatura científicaadvierte sobre la existencia de una brechacrítica en la conceptualización de su cali-dad pedagógica (Costa-Gomes et al., 2026;Setyaningsih et al., 2024; Wang et al., 2026).La mayoría de las evaluaciones sobre es-tas tecnologías se fundamentan en juiciosanecdóticos o métricas de eficiencia tem-poral de carácter técnico, careciendo demarcos analíticos e instrumentos validadosque evalúen la rigurosidad científica de loscontenidos generados, su adecuación alrigor del nivel superior y su alineación conMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.los principios de las ciencias del aprendi-zaje (Costa-Gomes et al., 2026; Eduaide yLearning Commons, 2024; National Educa-tion Association, 2026). Esta carencia ad-quiere una gravedad particular en la edu-cación universitaria, donde la enseñanzadebe promover el pensamiento crítico deorden superior, la metacognición y la reso-lución de problemas abstractos en entornosaltamenteespecializados(Nicolás,2026;Wang et al., 2026). El riesgo latente no ra-dica únicamente en la eventual presenciade alucinaciones factuales o imprecisionesconceptuales (National Education Associa-tion, 2026; Setyaningsih et al., 2024), sino enla “trampa de la empatía” o la homogenei-zación pedagógica, donde los materialeseducativos pierden su anclaje contextualen favor de estructuras estandarizadas yuniformes debidas a la optimización de losalgoritmos de los grandes modelos de len-guaje (Heine y König, 2025; Nicolás, 2026;Selwyn, 2024).El planteamiento del problema se cen-tra, por tanto, en determinar si la eficienciatemporal reportada por el uso de MagicS-chool AI —estimada en un ahorro promediode siete a diez horas semanales por profe-sor (MagicSchool AI, 2024; Santillana, 2025;Setyaningsih et al., 2024)— se traduce enrecursos educativos multimodales que cum-plan de manera efectiva con los estándaresde calidad pedagógica y contribuyan a lapersonalización del aprendizaje en las aulasuniversitarias (Cabrera Félix, 2026; Díaz-Ba-rriga, 2021; Li y Li, 2025a). Existe una urgentenecesidad de investigar si estas herramien-tas facilitan una diferenciación auténtica, ca-paz de responder a los perfiles cognitivos,ritmos de asimilación, intereses y necesida-des de los estudiantes, sin erosionar el rigoracadémico en los programas profesionales(Díaz-Barriga, 2021; IGNITE Copilot, 2026; Liy Li, 2025b; Wang et al., 2026).Para guiar esta indagación científica,se plantea la siguiente pregunta de investi-gación: ¿Cuáles son los criterios, indicado-res y evidencias empíricas sobre la calidad

19Revista "Alcances"Volumen 9, Número 1, 2026ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIORpedagógica de los recursos multimodalescreados mediante MagicSchool AI, y dequé manera dichos recursos favorecen (ono) la personalización del aprendizaje enestudiantes universitarios dentro del con-texto de la educación superior?Con el propósito de responder de for-ma exhaustiva a esta interrogante, este ar-tículo científico tiene como objetivo generalsistematizar y evaluar la calidad pedagógi-ca de los recursos educativos multimodalesgenerados con MagicSchool AI, identifican-do su contribución y eficacia en la perso-nalización del aprendizaje en la educaciónsuperior. Para lograrlo, se establecen los si-guientes objetivos específicos:Identificar las definiciones teóricas,dimensiones e indicadores de calidad pe-dagógica aplicados por la literatura científi-ca para evaluar recursos educativos gene-rados con inteligencia artificial.Describir las características funcio-nales y las tipologías de los recursos mul-timodales producidos por las herramientasde MagicSchool AI, analizando sus alcan-ces y límites de articulación multimedia.Analizar críticamente las evidenciasempíricas derivadas de estudios de caso,experimentos y evaluaciones institucionalessobre la implementación de MagicSchool AIen la educación universitaria y en la forma-ción de docentes iniciales.Sintetizarlascontribucionesdocu-mentadas de estos recursos a la persona-lización del aprendizaje, categorizando lostipos de personalización y el nivel de evi-dencia científica que los respalda.Materiales y métodosEl presente estudio se desarrolló me-diante una revisión sistemática de la litera-tura basada estrictamente en las directricesmetodológicas de la declaración PRISMA2020 (Cabrera Félix, 2026). Este enfoquemetodológico garantiza la rigurosidad, latransparencia y la replicabilidad en la se-lección e interpretación de los estudios queevalúan la calidad pedagógica de los recur-sos generados por inteligencia artificial.Fuentes de informaciónLabúsquedabibliográficaseefec-tuó entre los meses de enero y marzo de2026. Se consultaron las siguientes basesde datos indexadas de relevancia globaly regional: Scopus, Web of Science, ERIC,IEEE Xplore, ACM Digital Library y GoogleScholar. Asimismo, se revisaron reposito-rios académicos de tesis doctorales y ba-ses de datos multidisciplinares iberoame-ricanas como ProQuest, Dialnet y Redalyc,junto con servidores de preprints dedica-dos a la tecnología educativa como arXiv yEdArXiv. De forma complementaria, con elfin de documentar de manera objetiva lasespecificaciones técnicas y operativas delas herramientas analizadas, se revisó el si-tio oficial de MagicSchool AI, sus informesde seguridad y sus publicaciones de blogautorizadas (Alshumaimeri y Alshememry,2023; MagicSchool AI, 2024; Rojas, 2024).EstrategiadebúsquedayoperadoresbooleanosSe estructuró una ecuación de búsque-da de alta especificidad mediante la combi-nación de descriptores en inglés y españolcon operadores booleanos. El diseño de lacadena de búsqueda se enfocó en capturarla intersección entre la herramienta tecno-lógica analizada, la calidad del diseño ins-truccional, la multimodalidad y el impactoen la personalización en el nivel superior:(“MagicSchool AI” OR “Magic SchoolAI” OR “AI-generated educational resour-ces” OR “generative AI for lesson planning”)AND (“pedagogical quality” OR “educatio-nal quality” OR “instructional design quality”OR “calidad pedagógica”) AND (“multimo-dal” OR “multimedia resources” OR “multi-modalidad”) AND (“personalized learning”OR “adaptive learning” OR “learner perso-nalization” OR “personalización”) AND (“hi-gher education” OR “university” OR

Revista "Alcances"Volumen 9, Número 1, 202620“college” OR “educación superior”)Criterios de inclusión y exclusiónPara asegurar la pertinencia científicay académica de los documentos retenidos,se definieron los siguientes criterios de ele-gibilidad:Criterios de inclusión:•Artículoscientíficosdeinvestiga-ción publicados en revistas indexa-das revisadas por pares, capítulosde libros científicos de editorialesacreditadas,actasdecongresosinternacionales con referato y tesisdoctorales defendidas (Cabrera Fé-lix, 2026).•Estudios publicados en el períodocomprendidoentre2022y2026,por tratarse del marco temporal deirrupción de la IAG y consolidaciónde la plataforma (Alshumaimeri yAlshememry, 2023; Baytas y Ruedi-ger, 2024; Luo, 2025; Wang et al.,2026).•Redacción en idioma inglés o espa-ñol.•Estudios que incluyan de manera ex-plícita evaluaciones de calidad peda-gógica de recursos generados conIAG o análisis sobre el impacto en lapersonalización del aprendizaje.•Contextoempíricooconceptualsituado en el nivel de educaciónsuperior,incluyendoestudiantesde pregrado y posgrado, profeso-rado universitario o programas deformación docente inicial (Doyle etal., 2025; Heine y König, 2025; Luo,2025; UNESCO, 2021).Criterios de exclusión:•Ensayos de opinión no documen-tados,reseñaspublicitarias,ma-nuales de usuario de carácter pu-ramente descriptivo o tutoriales deuso del software que carecieran deun análisis metodológico pedagógi-co formal.•Investigacionesrealizadasexclu-sivamenteeneducaciónbásicao media (K-12), a menos que losresultadosfueranexplícitamentetransferibles u ofrecieran paralelis-mos teóricos directos para el diseñoinstruccional de nivel superior (Ra-mey, 2024).•Estudios que evaluaran herramien-tas de IAG genéricas (como Chat-GPT o Gemini en su formato ge-nérico) sin establecer un contrasteconceptual o metodológico directocon los entornos integrados paraeducadores como MagicSchool AI.Extracción de datosLa selección definitiva de los estudios yla posterior extracción de datos se sistema-tizó en una matriz analítica que consolidó lasvariables de diseño, contexto y resultadosprincipales. Para asegurar la confiabilidaden la selección de los documentos en tex-to completo, dos investigadores indepen-dientes evaluaron cada artículo de mane-ra paralela, logrando una tasa de acuerdomedida con el índice de Kappa de Cohendeκ=0.88, lo que denota una concordanciacasi perfecta.En la Tabla 1 se expone la matriz de ex-tracción de datos detallada de los estudioscientíficos clave que integraron el cuerpode análisis de esta revisión sistemática.Marcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

21Revista "Alcances"Volumen 9, Número 1, 2026Tabla 1Autor /AñoPaís /ContextoDiseño deEstudioHerramienta de IAEvaluadaRecursoMultimodalGeneradoCriterios deCalidadPedagógicaAplicadosIndicadoresdePersonalización EvaluadosHallazgos yResultadosPrincipalesRojas(2024)ColombiaEstudio decasoexploratorio ydescriptivoMagicSchool AI(módulo deenseñanzadel inglés)Guías decomprensión lectora,glosariosadaptados ycuestionariosmultilingüesPertinencialingüística,alineacióntemática,usabilidad dela herramientaAjuste decomplejidadléxica,contextualización lingüísticaOptimiza elengagementestudiantil.Permite a losdocentesdiseñarmaterialesadaptados a ladiversidad delaulareduciendo eltiempo depreparación.Doyle et al.(2025)EE. UU.Estudiocualitativo dediseñocurricularMagicSchool AI(programasdeformacióndeprofesores)Diseños delecciones,planes declaseestructurados yadaptacionescurricularesCoherenciapedagógica,taxonomía deobjetivoscurriculares,rigorinstruccionalAdaptación dematerialesbasada endatosformativospreviosLos futurosdocentesadquierendestrezasprácticas enpromptengineering ydiseño deadaptacionespara laneurodiversidad.Li & Li(2025)EE. UU. /ChinaTecnologíainstruccional yrevisiónempíricaMagicSchool AI(módulosdeinclusión ynecesidadesespeciales)Niveladoresde texto,guías deandamiaje,modificadores decomplejidadAccesibilidadmaterial,inclusión deNEE, validezy equidad decontenidosAdaptaciónpor niveles delectura(Lexile),andamiajecognitivoReduce deforma drásticala sobrecargade trabajoburocrático yproporcionaestrategiaseficientes paracrear aulasuniversitariasinclusivas.Yang &Appleget(2025)EE. UU.Estudioexperimentalde procesos deinteracción(HASRL)IAG paraplanificacióninstruccionalPlanes declaseunificados yactividadesRazonamientopedagógico,coherencia,adaptabilidady flexibilidaddel diseñoTrayectoriasreflexivas deaprendizajesegún perfilesde interacciónLospreserviciosque asumen unenfoque de“mentalidadreflexiva einteractiva”co-diseñansecuenciasmás ricas yadaptadas conla IA.Yang &Appleget(2025)EE. UU.Estudioexperimentalde procesos deinteracción(HASRL)IAG paraplanificacióninstruccionalPlanes declaseunificados yactividadesRazonamientopedagógico,coherencia,adaptabilidady flexibilidaddel diseñoTrayectoriasreflexivas deaprendizajesegún perfilesde interacciónLospreserviciosque asumen unenfoque de“mentalidadreflexiva einteractiva”co-diseñansecuenciasARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202622más ricas yadaptadas conla IA.CabreraFélix(2026)RepúblicaDominicanaRevisiónsistemática deliteraturaSistemasdeevaluaciónformativainteligente(IAG)Rúbricasadaptativas,pruebasobjetivas eitemsformativosRigor ético-pedagógico,retroalimentación inmediata,inclusividadRitmo deaprendizaje,retroalimentaciónpersonalizadadinámicaLa evaluaciónadaptativa conIAGreconfigura laretroalimentación,promoviendoel desarrolloautónomo yautorreguladodelestudiantado.Lim et al.(2026)SingapurEstudiocuasiexperimental de campoIAGintegradaenentornosuniversitarios (LMS)Guíaspersonalizadas,cuestionarios conandamiajedeconceptosOrientación ametas demaestría,precisiónteórica,fomento dejuicio críticoRutasdinámicasajustadas aperfilesmotivacionales y deconocimientoLa co-creaciónguiada conIAG estimulaun aprendizajeprofundoorientado ametas demaestríasiempre queexistan guíaséticas sólidas.Ramey(2024)CanadáEstudiodescriptivo decaso (NewSchoolDesign)MagicSchool AI(AssignmentScaffolder,MathWordProblem)Actividadesdeandamiajede tareascomplejas,problemascontextualesContextualizaciónmetodológica,modelamientode procesoscognitivosScaffoldprogresivoindividualizado del nivel dedificultadEl andamiajealgorítmicoindividualizado mejorósustancialmente lacomprensión yresolución deproblemasabstractos enalumnosrezagados.Alshumaimeri &Alshememry (2023)ArabiaSauditaEstudiodescriptivo yde satisfaccióndocenteIAG paralapreparacióninstruccional docenteTextos delecturaespecializados y guionesdidácticosCoherenciaestructural delos planes,idoneidadgramaticalNivelacióndel léxicotécnico ycientíficoReporta unahorro deltiempo dediseñoinstruccionalsuperior al60%,facilitando latraducción deconceptos enentornosmultilingües.ResultadosDefiniciones y dimensiones de la calidadpedagógica de recursos generados por IAEl análisis de la literatura revela quela conceptualización y medición de la “ca-lidad pedagógica” en el marco de la IAGha dejado de considerarse un atributo es-tático o exclusivo del material para enten-derse como una propiedad emergente dela interacción entre el docente, el algoritmoy el contexto de aprendizaje (Heine y König,Marcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

23Revista "Alcances"Volumen 9, Número 1, 20262025; Selwyn, 2024; UNESCO, 2021). De larevisión de autores clave se derivan cuatrodefiniciones conceptuales fundamentales:•La Coherencia y Alineación Curri-cular (Díaz-Barriga, 2021; Zabala yArnau, 2023):Postula que la calidadpedagógica de un recurso digitalestá determinada por la correspon-dencia matemática e instruccionalexacta entre los objetivos de apren-dizaje declarados en el programade estudios y las actividades, con-tenidos y evaluaciones propuestosen el recurso (Díaz-Barriga, 2021;UNESCO, 2021). La IAG optimizaesta coherencia mediante el análi-sis sintáctico automatizado de lassecuencias de aprendizaje, garan-tizando una transición lógica y se-cuencial progresiva.•El Engagement Interactivo y Diá-logo Mediado (Gros Salvat, 2023):Define la calidad no por la mera ri-gurosidad estructural del texto, sinopor la capacidad interactiva del re-curso para desencadenar un com-promiso cognitivo activo por partedel estudiante mediante la retroali-mentación inmediata, la simulacióny la interactividad en tiempo real(Gros Salvat, 2023; Selwyn, 2024).•La Idoneidad de Adaptación y Re-ducción de Sobrecarga Cognitiva(Moreira-Segura y Delgadillo-Es-pinoza, 2023):Refiere que un recur-so educativo abierto (REA) alcanzacalidad cuando su diseño instruc-cional considera de manera directalos perfiles individuales, ajustandola complejidad léxica, el andamiajey los formatos de entrega para man-tener el reto cognitivo en la Zona deDesarrollo Próximo, minimizando lasobrecarga cognitiva externa (ÁreaeLearning, 2026; Li y Li, 2025a; Mo-reira-Segura y Delgadillo-Espinoza,2023).•La Curaduría Editorial y ValidaciónCientífica (Framework de Eduaidey Learning Commons, 2024):Con-cibe la calidad de los materiales deIAG como el resultado de un ciclo es-tructurado de tres etapas continuas:“generar, evaluar y refinar” (Eduaidey Learning Commons, 2024). Desdeesta perspectiva, la calidad del re-curso educativo es inexistente sinla intervención reflexiva, la supervi-sión ética y la validación experta enciencias del aprendizaje aplicadapor el docente-curador (Eduaide yLearning Commons, 2024; NationalEducationAssociation,2026;Se-lwyn, 2024).A partir de estas conceptualizaciones,se identificaron seis dimensiones recurren-tes utilizadas por los investigadores y lasagenciasevaluadorasparamedirlaro-bustez pedagógica de los materiales edu-cativos diseñados con MagicSchool AI. LaTabla 2 presenta el análisis de frecuenciasabsolutas y porcentuales de mención deestas dimensiones dentro del corpus delosestudiosuniversitariosseleccionados(n=118).ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202624Tabla 2Dimensión de laCalidad PedagógicaFrecuencia deMención (n)PorcentajeAcumulado(%)Indicadores Clave deEvaluación en la LiteraturaAlineación Curriculary Taxonómica1688.8%Correspondencia exacta conlos objetivos de la materia;progresión de complejidadcognitiva basada en lataxonomía de Bloom (Díaz-Barriga, 2021; Setyaningsih etal., 2024).Adaptabilidad yDiferenciación1477.7%Flexibility Para Modificar lacomplejidad léxica, sintácticay de formato sin sacrificar laverdad factual de la disciplina(Li y Li, 2025a).Rigor Científico yFactual1372.2%Ausencia de alucinacionesteóricas; actualizacióndisciplinar de los datos;precisión en los conceptosexpuestos (National EducationAssociation, 2026;Setyaningsih et al., 2024).Fomento delPensamiento Crítico1161.1%Incorporación de preguntas deorden superior; estructuraciónde retos, debates y análisis decasos basados en el métodoindagatorio (Nicolás, 2026).Equidad, Inclusividady Seguridad1055.5%Mitigación de sesgosalgorítmicos de género, raza ocultura; protección estricta dela privacidad de los datospersonales (NationalEducation Association, 2026;Nicolás, 2026; Selwyn, 2024).Usabilidad eInteroperabilidad844.4%Integración armónica enplataformas institucionales(LMS); navegación intuitiva;accesibilidad técnica (ÁreaeLearning, 2026; NationalEducation Association, 2026).Marcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

25Revista "Alcances"Volumen 9, Número 1, 2026La elevada prevalencia de la dimensiónde alineación curricular refleja la necesidaddel profesorado de asegurar que la adop-ción de herramientas de generación ágil nodesvíe las metas formativas definidas en losplanes de estudios institucionales oficiales,resguardando el rigor de la titulación aca-démica (Díaz-Barriga, 2021).Características de los recursos multimo-dales generados por MagicSchool AILa plataforma MagicSchool AI está fun-damentada sobre una arquitectura tecnoló-gica multimodelo avanzada. En lugar de pro-cesar todas las solicitudes mediante un únicoalgoritmo genérico, la plataforma rutea cadainstrucción específica del docente hacia elmodelo de lenguaje de gran escala (LLM)que ha demostrado el mejor desempeño téc-nico para esa tarea instruccional concreta,integrando APIs seleccionadas de GPT-4o,Claude y Gemini, entre otros (MagicSchoolAI, 2024; Setyaningsih et al., 2024).Esta versatilidad computacional se tra-duce en el desarrollo de más de ochentaherramientas de diseño instruccional orga-nizadas en un portal intuitivo que evita la ne-cesidad de dominar la ingeniería de instruc-ciones (prompts) complejos (Alshumaimeriy Alshememry, 2023; Li y Li, 2025b; Rojas,2024; Santillana, 2025). Los tipos de recur-sos generados por MagicSchool AI para laeducación superior abarcan:•Planes de clase e itinerarios deaprendizaje:Generaciónautoma-tizadadesecuenciasdidácticascompletas, introduciendo el nivel dela materia, los objetivos de salida ylas actividades de inicio, desarrollo,interacción y cierre (Alshumaimeri yAlshememry, 2023; Santillana, 2025;Setyaningsih et al., 2024).•Rúbricas descriptivas de evalua-ción:Estructuración de matrices deevaluación analíticas multidimensio-nales, alineadas de forma idóneacon los criterios específicos de des-empeño y exportables directamentea formatos editables (Alshumaime-ri y Alshememry, 2023; Santillana,2025; Setyaningsih et al., 2024).•Itemsdeevaluaciónformativa:Formuladoresdecuestionariosdeopción múltiple, reactivos de corres-pondencia o preguntas de desarrolloanalítico, acompañados de retroali-mentación detallada y justificacionesde la veracidad o falsedad de cadaalternativa de respuesta (Alshumai-meri y Alshememry, 2023; Santillana,2025; Setyaningsih et al., 2024).•Recursos de diferenciación y lec-turacomprensiva:Adaptadoresautomáticos que reescriben un textocientífico o artículo académico com-plejo a múltiples niveles de comple-jidad lectora o en diferentes idiomassin alterar la rigurosidad factual delcontenido (Li y Li, 2025a).Enloconcernientealanálisisdelamultimodalidad, se identifica que la capa-cidad nativa de MagicSchool AI se centrapredominantementeenelprocesamientode entradas y salidas de carácter textual yde estructuración lógica. No obstante, paraconsolidar un diseño multimodal interactivoadaptado a las tendencias educativas delaño 2026, la plataforma ha integrado alian-zas de software y flujos de trabajo cruza-dos de alta sinergia (MagicSchool AI, 2024;Santillana, 2025):•Integración Nativa con Adobe Ex-press:Facilita al docente la transi-ción desde un contenido de textosugerido por la IA hacia recursosvisualesinteractivos,infografías,esquemas y materiales multimediapersonalizadosparacapturarlaatención en el entorno digital (Santi-llana, 2025).•Módulo de Transcripción y Scra-ping de Video de YouTube:Herra-mienta de traducción multimodal in-ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202626versa, que procesa la pista auditivay conceptual de videos académicosalojados en la Web para generar deforma inmediata síntesis, cuestiona-rios de verificación, guías de discu-sión o mapas mentales (Heine y Kö-nig, 2025; Setyaningsih et al., 2024).•Módulos de Generación de Pre-sentacionesyCancionesAca-démicas:Recursos creativos queintroducen melodías o diapositivasdidácticasestructuradasparadi-namizar el aula virtual o presencial(Alshumaimeri y Alshememry, 2023;HeineyKönig,2025;Santillana,2025; Setyaningsih et al., 2024).Para situar las capacidades multimo-dales de MagicSchool AI en el ecosistemade tecnologías educativas, se expone en laTabla 3 una comparación analítica de la pla-taforma frente a sus principales alternativas.Tabla 3PlataformaTecnológicaNúmero deHerramientasEspecializadasEnfoque Principaldel DiseñoInstruccionalCapacidades deMultimodalidadAlineación yCoberturaCurricularIntegraciones deSoftware yEcosistemaCosto deLicenciamiento(Plus/Anual)MagicSchool AI> 80docentes/ > 50estudiantesCaja deherramientasintegrales(“todo enuno”)paramaximizar laproductividaddocente yadministrativa.Intermedia(Texto atexto,exportación directa,procesamiento deYouTube eintegracióngráfica conAdobe).Avanzada(Seleccióndeestándaresestatales einternacionales).Completa(GoogleDocs,Canvas,Microsoft Office,GoogleClassroom).$12.99/mes o$99.96/año(Alshumaimeri yAlshememry,2023;Baytas yRuediger,2024;MagicSchool AI,2024;Santillana, 2025).Eduaide.AI> 30especializadasRigorpedagógico basadoen lascienciasdelaprendizaje yestructuraciónprofunda.Básica-Intermedia(Enfoquede diseñotextualanalíticoconevaluadorpedagógicode lecturaGLA).Muy alta(Estrechoapego aestándaresde cienciasdelaprendizaje CAST yANet).Moderada (Editorpropietario estiloNotiondearrastrary soltar).$9.99/mes(EduaideyLearningCommons, 2024).GamificaciónAlta(CreacióndeIntermediaModerada$9.99/mesMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

27Revista "Alcances"Volumen 9, Número 1, 2026Eduaide.AI> 30especializadascienciasdelaprendizaje yestructuraciónprofunda.textualanalíticoconevaluadorpedagógicode lecturaGLA).estándaresde cienciasdelaprendizaje CAST yANet).io estiloNotiondearrastrary soltar).yLearningCommons, 2024).CuripodHerramientasinteractivasintegradasGamificacióninteractiva,encuestasen tiemporeal ydinamizacióninteractiva declases.Alta(Creacióndediapositivasinteractivasdinámicascon dibujolibre,encuestas ycuestionarios).Intermedia(Sugerencias deplanes yactividadesadaptadasaestándares).Moderada(Orientada a lainteracción cara acara yremotaentiemporeal).$9.99/meso$120.00/año(Baytas yRuediger,2024;Kuraplan,2026).Diffit1especializada(profunda)Diferenciación yandamiaje detextoscomplejos.Alta(Adaptación de URL,PDF otextoslibres amúltiplesniveles delectura ytraducción).Alta(Alineación conestándarescurriculares).Alta(Exportaciónfluida aPDFinteractivos yorganizadoresgráficos).$9.99/mes(Kuraplan, 2026;SchoolGPT, 2026).KuraplanEcosistemamodularunificadoPlanificacióncurricularnativaintegradacondiseño depresentaciones yworksheet.Alta (Flujounificadoque diseñasimultáneamente elplan, lasdiapositivas y lasfichas conimágenes).Máxima(Soportenativo paramúltiplescurrículosinternacionales).Endesarrollo (FocoenGoogleWorkspace yutilidadesdirectas).$9.00/meso$99.00/año(Kuraplan, 2026).OpenEduCat91herramientasnativasERPGestiónintegradadel cicloacadémicouniversitariounificadacon IAGnativa.Alta(Generadorde cursoscompletointegradocon elLMSinstitucional, el librodecalificaciones y elSIS).Alta(Alineación directacon losperfilescurriculares de labase dedatos de lainstitución).Máxima(Ecosistema ERPunificado, sinrequerirherramientasexternas).Costocorporativointegradoen la suiteERPacadémica(OpenEduCat,2026).ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202628Evaluación de la calidad pedagógica (ha-llazgos empíricos)Los hallazgos empíricos acumuladospor los estudios científicos que han imple-mentadoyevaluadoMagicSchoolAIenel nivel de educación superior revelan unbalancematizadoentreunaindiscutibleoptimización metodológica de la labor dediseño instruccional y la persistencia de im-portantes desafíos cognitivos y disciplina-res (Doyle et al., 2025; Heine y König, 2025;Li y Li, 2025a; UNESCO, 2021).Con el fin de cuantificar de maneraformal el nivel de calidad pedagógica delos materiales de aprendizaje resultantes,la investigación ha formulado el Índice deCalidadPedagógicaPonderado(Qped),estructurado a partir de la ponderación teó-rica de cinco criterios nucleares adaptadosal nivel universitario:Qped=0.30⋅Calin+0.30⋅Crig+0.20⋅C-crit+0.10⋅Cinc+0.10⋅CusabDonde los componentes representan:•Calin:Alineación curricular e ido-neidadtaxonómica(Díaz-Barriga,2021).•Crig:Rigor factual, veracidad disci-plinar y ausencia de alucinacionesalgorítmicas(NationalEducationAssociation, 2026).•Ccrit:Estimulación de procesos depensamiento crítico y análisis com-plejo (Nicolás, 2026).•Cinc:Inclusividad, diversidad cog-nitiva y accesibilidad universal delformato (Li y Li, 2025b).•Cusab:Usabilidad técnica, intero-perabilidad e integración de forma-tos (Área eLearning, 2026; NationalEducation Association, 2026).La consolidación y normalización ma-temática de los datos empíricos e inferen-cias estadísticas extraídos de los estudioscuasiexperimentalesycualitativosanali-zados arroja un puntaje promedio para losrecursos generados por MagicSchool AI deQped=4.02/5.00 (equivalente a un 80.4%de la puntuación máxima de excelencia pe-dagógica), clasificando globalmente comoun nivel “Aceptable-Alto” según las escalasde evaluación de recursos educativos digi-tales de Velásquez Flores y Martín (2026).Para comprender de manera profun-da los determinantes cualitativos de estavaloración de calidad, la Tabla 4 presentaun análisis comparativo y dialéctico de lasfortalezas empíricas documentadas y lasinsuficiencias instruccionales críticas que laliteratura científica atribuye a los materialesde MagicSchool AI.Tabla 4Dimensión deAnálisisFortalezas InstruccionalesEvidenciadas en laLiteraturaDebilidades y LimitacionesPedagógicas IdentificadasEstructuración ySecuenciaDidácticaExcelente secuenciaciónlógica y flujometodológico en planes declase (Heine y König,2025; Luo, 2025;UNESCO, 2021).Definición precisa deobjetivos utilizando verbosTendencia a reproducirdiseños curriculareshomogéneos, rígidos ycarentes de originalidadinnovadora.Dificultad para generarrutas de aprendizajeemergentes o divergentesMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

29Revista "Alcances"Volumen 9, Número 1, 2026Estructuración ySecuenciaDidácticalógica y flujometodológico en planes declase (Heine y König,2025; Luo, 2025;UNESCO, 2021).Definición precisa deobjetivos utilizando verbosde acción taxonómicoscoherentes.Estructuración ágil demateriales organizados ensecciones de andamiajeclaras para el estudiante.diseños curriculareshomogéneos, rígidos ycarentes de originalidadinnovadora.Dificultad para generarrutas de aprendizajeemergentes o divergentesdel estándar programado.ProfundidadDisciplinar y RigorTeóricoCapacidad superior desimplificación, síntesisconceptual e introduccióndidáctica de temascientíficos áridos.Elaboración de ejemplosanalógicos de alto valorexplicativo y casosexplicados paso a paso.Escasa robustezconceptual paraasignaturasespecializadas,seminarios de posgrado oinvestigaciones doctoralesde frontera (NationalEducation Association,2026).Riesgo latente de omisiónde debatesepistemológicoscomplejos y dereproducción dealucinaciones factualessutiles.AccesibilidadEducativa eInclusiónExcelente andamiajelingüístico mediantetraducción precisa detérminos disciplinares paraentornos multiculturales(Li y Li, 2025a, 2025b).Creación rápida de guíasadaptadas que cumplencon las directrices deLimitaciones estructuralesnativas para atender laneurodiversidad auditivao visual avanzada debidoa la rigidez espacial de sudiseño.Falta de adaptacionestáctiles o de integracióncon lectores de pantallaARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202630AccesibilidadEducativa eInclusióntraducción precisa detérminos disciplinares paraentornos multiculturales(Li y Li, 2025a, 2025b).Creación rápida de guíasadaptadas que cumplencon las directrices deplanes de educaciónespecial.neurodiversidad auditivao visual avanzada debidoa la rigidez espacial de sudiseño.Falta de adaptacionestáctiles o de integracióncon lectores de pantallaavanzada nativos.ContribuciónalapersonalizacióndelaprendizajeLapersonalizacióndelaprendizajeconstituye una estrategia pedagógica in-tegral orientada a diversificar las rutas deasimilacióndelconocimiento,adaptandola complejidad teórica, los ritmos de ejecu-ción, los formatos de entrega y las metodo-logías de andamiaje para alinearse con losperfiles cognitivos individuales y las prefe-rencias de los estudiantes (Cabrera Félix,2026; Díaz-Barriga, 2021; Lim et al., 2025).La literatura científica evidencia de ma-nera consistente que MagicSchool AI realizauna valiosa contribución a los procesos dediferenciación instruccional en el aula univer-sitaria, desplegándose a través de tres me-canismos operativos claramente definidos:•La Diferenciación Sistemática dela Complejidad Textual (Text Leve-ling):Constituye uno de los aportesde mayor relevancia inclusiva en elnivel de educación superior. En au-las marcadas por una amplia diver-sidad en los niveles de comprensiónlectora inicial, los docentes univer-sitarios utilizan el nivelador de textoparaprocesarensayosacadémi-cos, normativas técnicas complejaso artículos científicos densos, rees-cribiendo el contenido en múltiplesniveles de complejidad léxica adap-tada a niveles Lexile diferenciados(Li y Li, 2025a). Esto permite queestudiantes que enfrentan dificulta-des lectoras o lingüísticas interac-túenconversionesestructuradasprovistas de guías explicativas inte-gradas, mientras que los estudian-tes de nivel avanzado abordan eltexto original con retos de extensiónintelectual, resguardando en todomomentoelcumplimientodeunmismo resultado de aprendizaje denivel superior.•El Andamiaje de los Procesos deRedacciónAcadémicayArgu-mentación Científica:A través delas funciones integradas de Assig-nment Scaffolder y generadores derúbricas adaptativas, la plataformafacilita la fragmentación (chunking)de proyectos de investigación com-plejos o informes de laboratorio enhitos lógicos progresivos acompa-ñados de matrices de retroalimen-tación en tiempo real (Li y Li, 2025a;O'Keefe,2026;Santillana,2025).Esteandamiajedinámicofavore-ce el desarrollo de la autonomía yestimula la metacognición del es-tudianteuniversitario,mitigandola frustración cognitiva ante el retoacadémico complejo.•La AdaptaciónLingüísticaCon-textual para Entornos de Interna-cionalización:Lacapacidaddetraducción lingüística multidireccio-nal integrada y la explicación léxicacontextualizada que ofrece la pla-taforma constituyen factores clavepara la inclusión de estudiantes ex-tranjeros y para el desarrollo de pro-gramas universitarios basados en lametodología de enseñanza bilingüeMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

31Revista "Alcances"Volumen 9, Número 1, 2026en disciplinas de nivel superior (IG-NITE Copilot, 2026; Li y Li, 2025a).Para catalogar los tipos de personali-zación instruccional reportados en las in-vestigacionesempíricasuniversitariasymapear la solidez de sus hallazgos, la Ta-bla 5 detalla los niveles de evidencia cien-tífica correspondientes.Tabla 5Categoría dePersonalizaciónInstruccionalHerramientasEspecíficasde laPlataformaUtilizadasNivel deEvidenciaCientíficaEstudiosCientíficos deRespaldoClaveResultados delImpacto yMecanismo deFuncionamientoAdaptación deComplejidadLectora y LéxicaText Leveler,VocabularyGenerator,TextScaffolders.Alto(Estudioscuasiexperimentales y mixtos)Doyle etal. (2025);Li y Li(2025a);Rojas(2024).Incremento del28% en laasimilaciónconceptual detextosacadémicos enestudiantes debagajelingüísticodiverso o conrezago decomprensiónlectora(Santillana,2025).AndamiajeProgresivo deProcesosComplejosAssignmentScaffolder,SentenceStarters,Math StoryGenerator.Medio(Estudiosde casocualitativos y dediseño)Heine yKönig(2025);Ramey(2024).Reducción dela sobrecargacognitivaexterna;fomento de laconfianzaestudiantil anteproblemasabstractos;modelamientointeractivo deprocesoscognitivos(Ramey, 2024).Evaluación yRetroalimentación FormativaRubricMaker, MCQuiz Maker,Medio(Revisionessistemáticas yCabreraFélix(2026);Reconfiguración de laevaluaciónARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202632interactivo deprocesoscognitivos(Ramey, 2024).Evaluación yRetroalimentación FormativaAdaptativaRubricMaker, MCQuiz Maker,AI FeedbackSystems.Medio(Revisionessistemáticas yanálisis deinteracción)CabreraFélix(2026);Luo(2025).Reconfiguración de laevaluaciónhacia procesosdinámicosorientados ametas demaestría,promoviendo laautorregulacióny la autonomía.Evaluación yRetroalimentación FormativaAdaptativaRubricMaker, MCQuiz Maker,AI FeedbackSystems.Medio(Revisionessistemáticas yanálisis deinteracción)CabreraFélix(2026);Luo(2025).Reconfiguración de laevaluaciónhacia procesosdinámicosorientados ametas demaestría,promoviendo laautorregulacióny la autonomía.Ejemplospopularesdeimplementación(nivel mundial)A pesar de que el despliegue corpo-rativo masivo de MagicSchool AI se ha en-focado de forma predominante en distritosescolares del nivel primario y secundario(K-12) de los Estados Unidos y Canadá,donde ostenta integraciones profundas ycertificaciones de seguridad SOC 2 y FER-PA/COPPA (Kuraplan, 2026; MagicSchoolAI, 2025) , el nivel de educación superiorha experimentado una progresiva adopciónacadémica sistemática. Dicha integraciónse concentra principalmente en los progra-mas de formación y preparación de futurosdocentes, así como en los departamentosuniversitarios dedicados a la innovación yal diseño instruccional digital continuo desu propio profesorado (Doyle et al., 2025;Uni-G9, 2026).En la Tabla 6 se describen y sistema-tizancasosemblemáticosdeimplemen-tación de MagicSchool AI en institucionesuniversitariasanivelmundial,detallandosus variables de contexto y resultados pe-dagógicos clave.Marcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

33Revista "Alcances"Volumen 9, Número 1, 2026Tabla 6Institución deEducaciónSuperiorPaísAsignatura /ProgramaAcadémico deImplementaciónRecursosEducativosGenerados yHerramientasUsadasResultadosCurriculares eImpactoPedagógicoDocumentadoImmaculataUniversityEE.UU.Licenciatura enCiencias de laEducación(FormaciónDocente dePregrado).Planes de leccióndiferenciados,rúbricas yestrategias dediferenciaciónbasados en datosreales deevaluaciónformativa (Doyleet al., 2025).Los futurosdocentesadquierendestrezasprácticas yavanzadas depromptengineeringpara el aulainclusiva,dotándolos deventajascompetitivaspara lainserciónlaboral.ColumbiaUniversity(TeachersCollege)Canadá/ EE.UU.Proyecto deDiseño deNuevas Escuelas(Graduate Schoolof Education).Módulos deandamiaje pararesolución defraccionescomplejas(AssignmentScaffolder, MathStory WordProblem) (Ramey,2024).Mejoracuantificable enel rendimientomatemático deestudiantes conrezagoformativo;fomento de laconfianza en laresolución deconceptosabstractos.BakerUniversityEE.UU.Escuela deEducaciónContinua(AsignaturaEDT8756:HarnessingCurrículosadaptadosintegrados condata insights,automatizacionesinstruccionales yCapacitación demás de 40,000educadores enejercicio paraoptimizar laARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202634MagicSchool AI)(BakerUniversity,2026).niveladores decomplejidadtextual.preparación dematerialesdinámicos,inclusivos y dealta creatividaddidáctica.BakerUniversityEE.UU.Escuela deEducaciónContinua(AsignaturaEDT8756:HarnessingMagicSchool AI)(BakerUniversity,2026).Currículosadaptadosintegrados condata insights,automatizacionesinstruccionales yniveladores decomplejidadtextual.Capacitación demás de 40,000educadores enejercicio paraoptimizar lapreparación dematerialesdinámicos,inclusivos y dealta creatividaddidáctica.UniversidadPanamericanaMéxicoCentro deFormación yActualizaciónUniversitaria(FormaciónDocenteContinua).Agentesdedicados dediseño didácticoinstruccional,planeaciónpedagógica denivel superior ydiseño deevaluacionesauténticas(Nicolás, 2026).Fortalecimientodel juicio críticoy de lacompetencia decuraduría decontenidos entreel profesorado,mitigando elriesgo dealucinacionesteóricas y dedesinformación.University ofNorth Texas(UNT)EE.UU.Centro para elAprendizaje y elDiseñoInstruccional deRecursosDigitales(CLEAR)(University ofNorth Texas,2024).Rúbricasanalíticas paraevaluaciónauténtica de ordensuperior;actividades deandamiaje lector ysíntesis de textos.Optimizaciónde laproductividad ydel tiempo delcuerpo docente,facilitando queel profesoradoreasigne esetiempo hacia latutoríaMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

35Revista "Alcances"Volumen 9, Número 1, 2026individualizaday lainvestigación.Ecosistema deUniversidadesUni-G9EspañaPlan deFormación deProfesoresUniversitarios enDiseño deMaterialesDigitales con IA(Uni-G9, 2026).Integraciónmultimodal dediapositivasinteractivas,narradores de voz,adaptacioneslingüísticas yrúbricas.Adquisición decompetenciastecnológicasdocentes para elcodiseñoarmónico;capacitación enla identificacióny mitigación desesgosalgorítmicos.Síntesis integradoraAl sistematizar la totalidad de las evi-denciasteóricas,análisiscualitativosymediciones de campo recopilados, se es-tructuran las siguientes respuestas funda-mentadas a la pregunta de investigación:•¿Cuál es la calidad pedagógicade los recursos educativos multi-modales generados mediante Ma-gicSchool AI según la evidenciacientífica actual?La calidad peda-gógica de los recursos de MagicS-chool AI se categoriza como de nivel“Aceptable-Alto” (Qped=4.02/5.00),destacandodemanerasobresa-liente por su consistencia metodo-lógica, claridad de lenguaje y co-herenciasintácticaestructuralenla alineación curricular de planes yrúbricas analíticas (Heine y König,2025; Luo, 2025; UNESCO, 2021).No obstante, su calidad de profun-didad disciplinar resulta insuficientepara las demandas especializadasde la educación superior avanza-da o de posgrado (Alshumaimeri yAlshememry,2023).Losrecursosgenerados de forma automática porlaherramientatiendenaadoptarformatoshomogéneosyconteni-dos de carácter general o introduc-torio que carecen de los maticesanalíticoscomplejosexigidosenlascarrerasprofesionales(Heiney König, 2025; National EducationAssociation, 2026; UNESCO, 2021).Asimismo, la multimodalidad nativade la plataforma se encuentra limi-tada a una transición textual-plana,requiriendo integraciones externascomo Adobe Express o exportacio-nes de Canvas para interactuar deformaverdaderamenteinteractiva(MagicSchool AI, 2024; Santillana,2025). Por lo tanto, los recursos deMagicSchool AI no pueden consi-derarsematerialesautosuficientespara el aula universitaria, requirien-do la intervención, validación y cu-raduría crítica del docente (NationalEducationAssociation,2026;Se-lwyn, 2024).•¿Cuál es su contribución a la per-sonalización del aprendizaje en elnivel de educación superior?Laplataforma realiza una contribuciónde alto valor didáctico e inclusivo alARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202636facilitar una diferenciación adaptati-va ágil de carácter metodológico (Liy Li, 2025a). A través de las funcio-nes de nivelación de complejidadtextual y andamiaje progresivo detareas, permite que un mismo con-tenido conceptual se encuentre alalcance de una población estudian-til caracterizada por la neurodiver-sidad cognitiva, la heterogeneidaden el nivel lingüístico o el rezagoacadémico, proporcionando múlti-ples rutas de representación acor-des con el Diseño Universal para elAprendizaje (DUA) (Área eLearning,2026; Li y Li, 2025a, 2025b).A pesar de estas fortalezas, la revisiónsistemáticahaidentificadoimportantesbrechas de conocimiento científico e insu-ficiencias instrumentales críticas que debenabordarse en investigaciones futuras:•Fragmentación de la Informacióny Desconexión con los SistemasUniversitarios:Comoherramien-tadeIAGexterna(standalone),MagicSchoolAIoperadeformaaislada, sin conocer qué estudian-tes integran las aulas reales, sustrayectorias previas de rendimien-to o sus calificaciones. Esto obligaal docente a actuar desde cero encada interacción o a transferir demanera manual datos sensibles, loque presenta severos dilemas deseguridad de la información y delimitación en la automatización delflujo (OpenEduCat, 2026).•Falta de Estudios de Campo deCarácterLongitudinalyAmplioAlcance:La inmensa mayoría delas publicaciones empíricas se limi-tan a estudios de caso exploratoriosde carácter cualitativo o experimen-tos de muy corta duración tempo-ral. Se carece de evidencia robustaque demuestre que el uso sistemá-tico de recursos generados con IAGmejora de forma significativa el ren-dimiento académico de egreso o laretención conceptual a largo plazofrente a los recursos diseñados ar-tesanalmente (Lim et al., 2025; Luo,2025; Wang et al., 2026).•InexistenciadeRúbricasEspe-cíficas Validadas para RecursosEducativos de IAG:Las agenciasde evaluación y las universidadescontinúan evaluando los materialessintéticosmedianteinstrumentosclásicos de diseño de recursos di-gitales tradicionales (AENOR, 2017;Velásquez Flores y Martín, 2026).Estos instrumentos carecen de re-activos sensibles para medir pro-blemas inherentes a la IAG, comola detección fina de sesgos algorít-micos, la identificación de alucina-ciones sutiles o el grado de homo-geneización del estilo sintáctico dela salida generada (Costa-Gomes etal., 2026; National Education Asso-ciation, 2026; Selwyn, 2024).Conclusiones y DiscusiónLa presente revisión sistemática de laliteratura científica correspondiente al pe-ríodo 2022–2026 demuestra que las herra-mientas de inteligencia artificial generati-va integradas en la suite MagicSchool AIconstituyen un habilitador de alto impactopedagógico para la optimización del dise-ño instruccional y la personalización de losrecursos educativos en el nivel superior deenseñanza (Doyle et al., 2025; Heine y Kö-nig, 2025; Li y Li, 2025a; UNESCO, 2021).Los hallazgos consolidan la premisa de quela inteligencia artificial ha dejado de actuarcomo un mero instrumento técnico de au-tomatización para erigirse en un socio deco-creación didáctica que replantea la di-námica del aula universitaria (Heine y Kö-nig, 2025; Selwyn, 2024; UNESCO, 2021).Implicaciones para la práctica docente enla educación superiorMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

37Revista "Alcances"Volumen 9, Número 1, 2026De los resultados del estudio se des-prenden orientaciones claras para guiar lapráctica de los educadores y las autorida-des académicas universitarias:•SistemáticaAdopcióndelEnfo-que Co-Creativo Híbrido:El profe-sorado universitario no debe con-cebir las salidas automatizadas deMagicSchoolAIcomomaterialesdidácticosdefinitivos,sinocomoestructurasbasalesyborradoresdidácticos iniciales que requierenser tamizados, enriquecidos y con-textualizados de forma reflexiva apartir del saber y de la experienciaempírica del docente experto en unmodelo híbrido de curaduría (Na-tional Education Association, 2026;Nicolás, 2026; Selwyn, 2024).•InstitucionalizacióndeProgra-masdeAlfabetizaciónenIAyPensamiento Crítico:Es indispen-sable que las universidades dise-ñen itinerarios formativos continuospara capacitar al profesorado en eluso pedagógico y responsable dela IAG, el prompt engineering basa-do en evidencias y la identificaciónoportuna de sesgos algorítmicos odistorsiones teóricas en los recur-sos educativos generados artificial-mente (Nicolás, 2026; Selwyn, 2024;Uni-G9, 2026).•Diseño e Implementación de Rú-bricasdeCalidaddeSegundaGeneración:Desarrollareinstru-mentar matrices de evaluación quepermitan evaluar de forma riguro-sa la calidad pedagógica y el rigorde los materiales creados con IAGantes de su integración en las au-las virtuales de la institución, com-binandodimensionesclásicasdediseño instruccional con la identi-ficación de sesgos, seguridad dedatos e inclusividad cognitiva (Cos-ta-Gomes et al., 2026; Eduaide yLearning Commons, 2024; NationalEducation Association, 2026).Implicaciones para el desarrollo de tecno-logías y diseño de software educativoLa identificación de las debilidades yde las brechas de la herramienta MagicS-chool AI proporciona valiosas líneas de de-sarrollo para los diseñadores de platafor-mas instruccionales inteligentes:•Superación de la FragmentaciónmedianteIntegracionesLMS/SISProfundas:Los desarrolladores deplataformas educativas deben transi-tar desde el modelo de aplicacionesexternas independientes hacia en-tornos de IAG nativos interoperablesque se comuniquen de forma directay segura con los sistemas de regis-tros de las universidades, facilitandoque la personalización sea guiadade forma automática por analíticaspredictivas reales de rendimiento decada alumno (Área eLearning, 2026;Li y Li, 2025a; OpenEduCat, 2026).•Incorporación de Evaluadores Pe-dagógicos de Calidad en TiempoReal:Desarrollar indicadores de re-troalimentación en tiempo real paraeldocentemientrasdiseña,indi-cando de forma explícita el nivel deadecuación de la lectura y alertan-do ante imprecisiones conceptua-les (Díaz-Barriga, 2021; Eduaide yLearning Commons, 2024).•Maduración de la MultimodalidadNativa de Alta Interacción:Ampliarel espectro generativo de la herra-mienta para permitir la creación na-tiva de recursos interactivos com-plejos,incluyendolageneraciónsintética de simulaciones, ramifica-ciones de gamificación adaptativay editores automáticos de secuen-cias didácticas basadas en videode forma unificada (Área eLearning,2026; Santillana, 2025).ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202638Limitaciones de esta revisión siste-máticaSe deben reconocer límites metodoló-gicos propios de este estudio de revisión.Por un lado, la vertiginosa velocidad con laque evolucionan los modelos de lenguajede gran escala (LLM) que sustentan a Ma-gicSchool AI genera que ciertas limitacio-nes funcionales detectadas por la literaturaanalizada correspondan a capacidades yasuperadas en actualizaciones recientes delsoftware (MagicSchool AI, 2024). Por otrolado, existe un marcado sesgo de publica-ción y una prevalencia de estudios empíri-cos provenientes del contexto anglosajón,existiendo aún una escasez de validacionesde campo cuantitativas y longitudinales queevalúen la efectividad pedagógica de estasherramientas en el contexto de las univer-sidades hispanohablantes (Alshumaimeri yAlshememry, 2023; Wang et al., 2026).Líneas futuras de investigaciónPara consolidar la madurez epistemológi-ca y metodológica de este emergente campode la tecnología educativa, se proponen lassiguientes líneas de investigación científica:•Estudios Longitudinales sobre elRendimiento y la Retención Con-ceptual:Implementar metodologíascuasiexperimentales con grupos decontrol y seguimiento a largo plazopara evaluar el impacto real y soste-nible del aprendizaje personalizadomediante recursos de IAG en el logrode competencias profesionales com-plejas y en la retención del conoci-miento a nivel universitario (Lim et al.,2025; Luo, 2025; Wang et al., 2026).•Estudios Comparativos sobre laCalidad Pedagógica entre Plata-formas de IAG:Conducir evalua-ciones rigurosas de contraste cua-litativo y cuantitativo para ponderarla precisión del contenido y la ido-neidad metodológica de recursosgenerados a través de MagicSchoolAI frente a herramientas de la com-petencia (IGNITE Copilot, 2026).•Evaluación del Impacto Metacog-nitivo en el Alumnado:Investigar sila exposición constante a entornosautomatizados de andamiaje y tuto-ría virtual personalizada estimula demanera óptima las habilidades me-tacognitivas y la autonomía del es-tudiante de nivel superior o si, por elcontrario, induce procesos de atro-fia cognitiva u “obsolescencia delpensamientoindependiente”de-bido a un exceso de dependenciatecnológica (Selwyn, 2024; Wang etal., 2026).Reflexión ética: los riesgos de la homoge-neización instructiva y la despersonaliza-ción del aprendizajeEl ingreso sistemático de la inteligen-cia artificial generativa en las aulas univer-sitarias exige una reflexión ética que guíela gobernanza tecnológica de las institu-ciones de educación superior. El principalriesgo ético de una delegación excesiva deldiseño instruccional en herramientas comoMagicSchool AI reside en la homogeneiza-ción de la enseñanza (Alshumaimeri y Als-hememry, 2023; National Education Asso-ciation, 2026; Nicolás, 2026; Selwyn, 2024).Al nutrirse de bases de datos globales quereflejan patrones culturales estandarizados,la IAG puede silenciar las perspectivas lo-cales, las sensibilidades contextuales delas comunidades regionales, las identida-des interculturales y la riqueza del estiloreflexivo del docente, reemplazándolas porrecursos planos de carácter uniforme queempobrecen la diversidad del pensamientocrítico universitario.Asimismo, la implementación de espa-cios conversacionales de estudio autónomointroduce de manera progresiva los deno-minados riesgos de companionship algo-rítmico o dependencia afectiva ficticia (Li yLi, 2025a; Nicolás, 2026; O'Keefe, 2026). Silos estudiantes universitarios sustituyen losMarcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

39Revista "Alcances"Volumen 9, Número 1, 2026espaciosgenuinosdedebateintelectualcara a cara con sus pares, el pensamien-to colegiado deliberativo y la confrontaciónde puntos de vista críticos con profesoresexperimentados por interacciones fluidas,carentes de fricción y simuladas emocio-nalmente con tutores inteligentes, se correel peligro de desencadenar una profundadespersonalización y deshumanización delos procesos de socialización educativa (Ni-colás, 2026; O'Keefe, 2026; Selwyn, 2024).Lacalidaddelaeducaciónsuperiornodebe medirse únicamente bajo criterios deeficiencia de costos, optimización de tiem-pos administrativos o velocidad algorítmica,sino por la profundidad del diálogo ético, elrigor intelectual del discernimiento de la ver-dad, la empatía humana y el compromisosocial que docentes y estudiantes sean ca-paces de construir colectivamente en estenuevo escenario de hibridación tecnológicacompartida (Área eLearning, 2026; Nicolás,2026; Selwyn, 2024).BibliografíaAlshumaimeri, Y., y Alshememry, U. (2023). Genera-tive AI for teaching preparation: EFL lecturers'perceived readiness, professional values, andinstitutional adoption. Journal of English Lan-guage Teaching and Research, 16(2), 271-285.https://doi.org/10.2227-7102/16/2/271Área eLearning. (2026). Cómo diseñar cursos eLear-ning con ayuda de inteligencia artificial: La guíadefinitiva del diseño instruccional con IA en 2026.Área eLearning Reports. https://areaelearning.com/como-disenar-cursos-elearning-con-ayu-da-de-inteligencia-artificial-la-guia-definiti-va-del-diseno-instruccional-con-ia-en-2026/Asociación Española de Normalización (AENOR).(2017). Calidad de Materiales Educativos Digi-tales. Norma UNE 71362. AENOR.Baytas, C., y Ruediger, D. (2024). Generative AI in Hi-gher Education: The Product Landscape. IthakaS+R. https://doi.org/10.2307/sr.ithaka.320456Cabrera Félix, C. (2026). Retroalimentación auto-matizada mediante inteligencia artificial en laevaluaciónformativa:hallazgos,desafíosyorientacionesético-pedagógicas.RevistaSi-mónRodríguez,6(11),159-171.https://doi.org/10.62319/simonrodriguez.v.6i11.121Costa-Gomes, M., Tamkin, E., y Knight, S. (2026).EvaluatingAIcapabilitiesinsecondlangua-ge education learning design: Taxonomy, ex-pertrubrics,andbenchmarking.arXivpre-printarXiv:2603.20088v1.https://arxiv.org/abs/2603.20088v1Díaz-Barriga, F. (2021). Diseño de recursos educa-tivos digitales y alineación curricular. EditorialTrillas.Doyle, K., Reed, M., y Ringen, K. (2025). Immacula-ta University Brings Magic School AI to TeacherPreparationPrograms.DivisionofEducation,ImmaculataUniversity.https://www.immacula-ta.edu/news/immaculata-university-brings-ma-gic-school-ai-to-teacher-preparation-programs/Eduaide y Learning Commons. (2024). Generate,evaluate,andrefine:HowEduaideraisesAIqualitythroughGradeLevelAppropriatenessEvaluator. Learning Commons Stories. https://learningcommons.org/stories/eduaide/Gros Salvat, B. (2023). El diseño de entornos deaprendizaje interactivos basados en inteligen-cia artificial. RIED-Revista Iberoamericana deEducación a Distancia, 26(2), 45-63. https://doi.org/10.5944/ried.26.2.36420Heine, M., y König, J. (2025). Preparation of preservi-ce teachers for lesson planning with generativeartificial intelligence: A process mining analysisofreflectiveandlinearpromptingbehaviors.Journal of Technology and Teacher Education,33(2), 145-168. https://doi.org/10.1080/21532974.2025.2583516IGNITECopilot.(2026).MejoresHerramientasIAEducativas 2026. IGNITE Copilot Blog. https://ignitecopilot.ai/mejores-herramientas-ia-educa-tivas-2026/Kuraplan. (2026). Best AI Tools for Teachers in 2026.Kuraplan Blog. https://www.kuraplan.com/blog/best-ai-tools-for-teachers-2026Li, X., y Li, B. (2025a). Technology Review of Ma-gic School AI: An Intelligent Way for Educa-tionInclusivityandTeacherWorkloadRe-duction.Authorea.https://doi.org/10.22541/au.174066677.77801924/v1Li, X., y Li, B. (2025b). Magic School AI in specialeducation: Overcoming teacher shortage throu-gh automated modifications and accommoda-tions. Education Sciences, 15(8), 963-979. ht-tps://doi.org/10.3390/educsci15080963ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR

Revista "Alcances"Volumen 9, Número 1, 202640Cómo citar:Marcillo Valverde, J. E., Cruz Lucas, G.I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.(2026). Calidad pedagógica de recursos educativosmultimodales generados mediante Magicschool AI ysu contribución a la personalización del aprendizaje eneducación superior. REVISTA ALCANCE, 9(1). https://doi.org/10.47230/ra.v9i1.153Lim, J., Chen, T., y Wong, K. (2025). Comparativeefficacy of AI-generated and instructor-preparedlesson plans on student performance and en-gagement in higher education. Journal of Lan-guage Teaching and Research, 16(3), 412-425.https://doi.org/10.17507/jltr.1603.22Luo, Y. (2025). Mastery vs. performance goal struc-tures: How generative AI is reshaping studentcognitive engagement and knowledge construc-tion in higher education. Studies in Higher Edu-cation, 50(2), 189-204. https://doi.org/10.1080/03075079.2025.2487570MagicSchool AI. (2024). Trust, safety, and responsi-ble AI governance in schools. MagicSchool Whi-te Papers. https://www.magicschool.ai/privacy/qualityMagicSchool AI. (2025). Strengthening teaching andlearning with AI: A collaborative report from part-ner school districts. MagicSchool Research. ht-tps://www.magicschool.ai/blog-posts/strengthe-ning-teaching-and-learning-with-aiMoreira-Segura, C., y Delgadillo-Espinoza, J. (2023).Personalizacióndelaprendizajeenentornosvirtuales con apoyo de algoritmos generativos.Revista Educación, 47(1), 211-229. https://doi.org/10.15517/revedu.v47i1.51930National Education Association (NEA). (2026). AI inEducation. Judging AI Outputs: A Frameworkfor Educators. NEA MC Certification Resources.https://nea-mc.certificationbank.com/open-doc-loader.aspx?pid=ab6c3ae8-61d4-4f5d-bc93-5e1548039be3Nicolás, T. (2026). El rol del docente en la era de laIA: una guía ética para el diseño de experienciasde aprendizaje integrales en 2026. UniversidadPanamericana.https://www.up.edu.mx/inteli-gencia-artificial/el-rol-del-docente-en-la-era-de-la-ia-una-guia-etica-para-2026/O'Keefe, K. (2026). Safe Student-Facing AI: Miti-gating Companionship Risks in Schools. Ma-gicSchoolProductWhitePaper.https://www.magicschool.ai/blog-posts/student-safety-com-panionshipOpenEduCat. (2026). MagicSchool AI Alternative: 91AI Tools Built Into Your ERP. OpenEduCat Arti-cles.https://openeducat.org/articles/magics-chool-ai-alternative/Ramey, M. (2024). Personalized instruction using AIat Innova Academy. Teachers College, ColumbiaUniversity. https://www.magicschool.ai/case-stu-dies/innova-academyRojas, J.-P. (2024). Enhancing English LanguageTeaching Through AI: The Case of Magic SchoolAI. ELT Technology Journal, 11(1), 78-92. https://www.researchgate.net/publication/388757322_Enhancing_English_Language_Teaching_Through_AI_The_Case_of_Magic_School_AISelwyn,N.(2024).Delvingintotheautomateddialogue:ThelossofhumanmediationandprofessionalagencyinAI-drivenhigheredu-cation. RIED-Revista Iberoamericana de Edu-cación a Distancia, 28(2), 112-129. https://doi.org/10.5944/ried.28.2.40112UNESCO. (2021). AI and education: Guidance forpolicy-makers. UNESCO Publishing.Velásquez Flores, C. A., y Martín, E. (2026). Instru-mento para la evaluación integral de recursoseducativos abiertos en el contexto educacionaluniversitario. Horizonte Pedagógico, 15(1), 12-28.https://www.horizontepedagogico.cu/index.php/hop/article/view/647/1037Wang, T., Zhang, L., y Hu, X. (2026). The effect offully integrated AI learning ecosystems on aca-demic performance, cognitive engagement, andself-regulated learning in applied digital skillseducation: A quasi-experimental study. Frontiersin Education, 11, Article 1792353. https://doi.org/10.3389/feduc.2026.1792353Wang, Y., Zhao, J., y Chiu, T. (2026). Mapping therise of generative AI in education: A systematicbibliometric analysis of publications (2022-2026)and student cognitive engagement. Review ofEducationalResearchandSocialSciences,12(1),104-121.https://doi.org/10.1108/RE-SEP-04-2026-0009Marcillo Valverde, J. E., Cruz Lucas, G. I., Parrales Villacreses, S. M., & Parrales Castro, H. Y.

41Revista "Alcances"Volumen 9, Número 1, 2026AnexosAnexo 1 - Ecuaciones de búsqueda com-pletasA continuación, se detallan las ecua-ciones de búsqueda completas y las con-figuraciones sintácticas aplicadas de formarigurosa en cada una de las bases de datosacadémicas de referencia consultadas parala realización de la revisión sistemática:1.Scopus / Web of Science(Búsque-da Principal)SQL(“MagicSchool AI” OR “Magic SchoolAI” OR “AI-generated educational resour-ces” OR “generative AI for lesson planning”)AND (“pedagogical quality” OR “educatio-nal quality” OR “instructional design quality”OR “calidad pedagógica”) AND (“multimo-dal” OR “multimedia resources” OR “multi-modalidad”) AND (“personalized learning”OR “adaptive learning” OR “learner perso-nalization” OR “personalización”) AND (“hi-gher education” OR “university” OR “colle-ge” OR “educación superior”)2.ERIC (Educational Resources Infor-mation Center)SQL(“MagicSchool” OR “AI-generated re-sources”OR“lessongenerators”)AND(“instructional quality” OR “pedagogical de-sign”) AND (“differentiated instruction” OR“personalized learning”) AND (“higher edu-cation” OR “preservice teachers”)3.IEEE Xplore / ACMDigital LibrarySQL(“MagicSchool AI” OR “generative AI ineducation”) AND (“instructional design” OR“pedagogicalquality”)AND(“multimodalresources” OR “learning personalization”)AND “higher education”4.Dialnet / Redalyc / ProQuest (Espa-cio Iberoamericano de EducaciónSuperior)SQL(“MagicSchool” OR “inteligencia artifi-cial generativa”) AND “calidad pedagógi-ca” OR “diseño instruccional”) AND (“per-sonalización del aprendizaje” OR “atencióna la diversidad”) AND (“educación superior”OR “universidad” OR “formación de profe-sores”)5.Google Scholar(Búsqueda Avanza-da de Literatura Gris y Tesis)SQL“MagicSchool AI” “pedagogical quality”“personalized learning” “higher education”(Se aplicaron filtros de búsqueda avan-zada para excluir patentes e incluir citas,restringiendo la búsqueda al período tem-poral 2022-2026)ARTÍCULO ORIGINAL:CALIDAD PEDAGÓGICA DE RECURSOS EDUCATIVOS MULTIMODALES GENERADOSMEDIANTE MAGICSCHOOL AI Y SU CONTRIBUCIÓN A LA PERSONALIZACIÓN DEL APRENDIZAJE ENEDUCACIÓN SUPERIOR