Die empirische Forschung zeigt, dass Text-Bild-Kombinationen häufig zu besseren Lernergebnissen führen als die reine Textdarbietung (vgl. Mayer 2021.). Diese Überlegenheit wird im Rahmen der kognitiven Theorie des multimedialen Lernens (CTML, vgl. Mayer 2021.) mithilfe von drei kognitiven Prozessen (Selektion, Organisation und Integration) erklärt. Ziel des vorliegenden Beitrags ist es, zunächst die theoretischen Annahmen der CTML detailliert vorzustellen. Anschließend werden empirische Befunde, welche mithilfe von Blickbewegungsaufzeichnungen sowie kognitiven Paradigmen gewonnen wurden und die die Annahmen der CTML stützen, beschrieben. Zum Schluss sollen neuere Befunde vorgestellt werden (vgl. Frick/Schüler 2023), die zeigen, dass neben den in der CTML postulierten kognitiven Prozessen auch aus der Leseforschung bekannte Prozesse (z. B. Reaktivierung und Validierung; vgl. Cook/O’Brien 2014) bei der Verarbeitung von Text-Bild-Kombinationen eine Rolle spielen.