Ma már számos olyan idegen nyelvű videóval találkozhatunk (főleg hírportálokon), ahol a felirattal ellátott idegen nyelvű hanganyagot és a hozzá megjelenített képeket felirat is kiegészíti, vagyis keveredik a vizualitás, valamint a hallott és az írott szövegértés. Nyelvtanulás szempontjából ezek is hasznosnak tekinthetők, de érdemes a nyelvi szinteket figyelembe véve témát és szókincset választani. Kutatások szerint a modalitások tekintetében ez idáig sok az ellentmondás: volt kutatás, ahol a tanulók a legjobban akkor tanultak, amikor a szöveg és a képek jelentek meg együttesen. Ez hatékonyabbnak bizonyult, mint a csak szöveggel vagy csak képekkel való tanulás, valamint a képekkel és videóval történő megjelenítési mód. Más vizsgálatokban ugyanakkor a túl sokféle egyszerre megjelenített input, vagyis a szöveg, a képek és a hangok együtt kevésbé voltak hatékonyak (Kim & Gilman, 2008; Yeh & Wang, 2003), így az eredmények összességében az optimális stimulusmennyiséget mint szempontot hangsúlyozták. Tantermi használatban Lin (2009) kezdő tanulókra fókuszáló tanulmányában cselekvést kifejező igék tanulását vizsgálta anyanyelvi definíciók segítségével, statikus és animációs képekkel ellátva, illetve vizualitás nélkül. Érdekes módon a vizualitás a rövid távú tanulásban játszott fontos szerepet, a hosszú távú tanulást pedig a definíciók támogatták legjobban. Lin ebből azt a következtetést vonta le, hogy az anyanyelvi magyarázat valamilyen képpel kiegészítve előmozdítja a kezdők második nyelvi szókincsének kezdeti tanulását.