Der Beitrag entwirft ein Analysemodell für Text-Bild-Medien, das auf den strukturellen Zusammenhang abhebt, der zwischen dem szenischen Zuschnitt der Lebenswelt, dem Lernen in Szenen gemeinsamer Aufmerksamkeit und der szenografisch vermittelten Sinnproduktion besteht, den Text-Bild-Medien auslösen und steuern, indem sie eine Dialektik von Zeigen und Verschweigen entfalten, die konjekturale Auffassungsakte triggert. Er wendet sich sowohl gegen eine Hierarchisierung der Sinnesmodalitäten als auch gegen eine Juxtaposition von Kinder(bilder)büchern einerseits und Text-Bild-Medien für Erwachsene andererseits. Vielmehr wird der genealogische Zusammenhang zwischen den Kompetenzen betont, die an Bilderbüchern im Kindesalter performativ eingeübt und dann genutzt und ausgebaut werden im Umgang mit anderen Medien, die bewegte oder unbewegte Bilder enthalten und auf die Fähigkeit der Nutzer angewiesen sind, anschauliche Vorstellungen bilden zu können.