Das Integrierte Modell des Text- und Bildverstehens (ITPC) ähnelt der kognitiven Theorie multimedialen Lernens (CTML). Beide gehen davon aus, dass Informationen, die durch die Sinneskanäle Augen und Ohren aufgenommen werden, kurzfristig in einem sensorischen Register gespeichert werden. Dort erfolgt eine Filterung, um relevante Informationen für das Lernen zu identifizieren, bevor sie an das Arbeitsgedächtnis weitergeleitet werden. Die Verarbeitung von bildlichen und auditiven Informationen erfolgt dabei über zwei getrennte Kanäle – den visuellen und den auditiven Kanal –, die jeweils eine begrenzte Kapazität haben.

Verständlichkeit von multimedialen Lernumgebungen hängt dabei stark von der Auswahl und Kombination der Medien ab, insbesondere von Texten, Bildern und Audio. Das ITPC erklärt den Verstehensprozess von gesprochenen und geschriebenen Texten sowie statischen und dynamischen Bildern. Im Vergleich zur CTML und CLT, die sich auf Arbeitsgedächtnisprozesse konzentrieren, bietet das integrierte Modell eine detailliertere Darstellung des Text- und Bildverstehensprozesses. Es berücksichtigt den gesamten Verstehensprozess und betont, wie die Auswahl und Kombination verschiedener Medien die Verständlichkeit für den Lernenden beeinflussen.

 Insbesondere, welche Medien für die Präsentation der Lerninhalte ausgewählt und wie diese miteinander kombiniert wurden, bestimmt mit, wie „verständlich“ das Lernmaterial für den einzelnen Lernenden ist. Texte, Bilder und Audio haben dabei eine Schlüsselfunktion.