A téri figyelem multimodális elemzésében a kísérletekben legtöbbször vizuális modalitással kapcsolatban részletesen tárgyalt Posner-eljárást alkalmazzák. E módszert audiovizuális esetre úgy lehet módosítani, hogy a figyelmet orientáló inger az egyik modalitásban jelenik meg, a feladat ingere pedig a másikban. A tipikus önkéntelen modalitásközi figyelmi kísérletben gyors, „figyelemfelkeltő” ingert (fényfelvillanást vagy rövid hangot) adnak jobbra vagy balra attól a ponttól, melyet a megfigyelő fixál. E figyelemfelkeltő jelzést követi a feladat célingere, mely a másik modalitásban jelenik meg. A „valid” próbákban a célinger azon a helyen jelenik meg, ahova a figyelemfelkeltő jelzés érkezett, az „invalid” próbákban viszont az ellentétes oldalon. Általában a vizsgált személyt itt is arra kérik, hogy gombnyomásos választ adjon a célingerre, de ne végezzen szem- vagy fejmozgást. A figyelem irányítása tehát itt is „belső”, éppen úgy, mint a modalitáson belüli esetben. Általános tapasztalat szerint abban az esetben, ha 200–300 ms telik el a figyelemfelkeltő jelzés és az avval azonos helyre adott célinger között (valid próbák) a reakcióidő (akár diszkriminációs, akár detekciós feladatban) rövidebb, mint az ellenkező oldalra adott (invalid próbák) figyelemfelkeltő ingerek esetében (McDonald, Ward, 2000; Schmitt, Postma, de Haan, 2000; Spence, Driver, 1997). Hasonló helyzet áll elő taktilis ingerek esetében is, akár akusztikus, akár vizuális ingerekkel kombinálják azokat (McDonald, Ward, 2000; Ward és mtsai, 2000).