Некоторое подтверждение сформулированной гипотезы можно найти в реально наблюдаемых фактах, показывающих, что иконические жесты и мимика являются самыми ранними формами жестовой коммуникации – как в онтогенезе (см. информацию на этот счет, в частности, в книгах (McNeil 1992; Крейдлин 2002)), так и в филогенезе (Kimura 1979, 197–220). Например, с жестами и мимикой мы можем встретиться еще до словесных выражений, подобно тому, как мы наблюдаем движения глаз или губ до чтения вслух или во время чтения. Такие телесные движения не являются результатом всецело интенсионального процесса, но после того, как они начались, их волевым усилием можно прекратить.
Второе столь же важное допущение состоит в том, что визуальный, тактильный или иной сенсорный образ являются посредниками между концептуальной обработкой информации и порождением иконических жестов. Предполагается, например, что возникающий визуальный образ предмета, человека, ситуации и т. п. облегчает поиск и нахождение слова при синтезе устного текста. Это происходит благодаря трем разным операциям: (а) фокусированию внимания на каком-то аспекте или фрагменте при концептуальной обработке, (б) постоянному наблюдению за ключевыми признаками во время смыслового отбора и (в) отслеживанию того, как проходит непосредственная активизация форм слов в фонологическом лексиконе. Неудачи при поиске слова дают возможность выявить черты образа или мысленного представления и определить, каковы жесты, связанные с этими чертами.
Д. Мак-Нил (McNeil 1992) утверждает, что жесты возникают на ранней стадии построения сообщения, или, в его терминологии, «коммуникативной динамики» (communicative dynamics), то есть тогда же, когда порождается и языковой материал (linguistic production). По словам ученого, жестовые знаки проходят путь от когнитивного представления через образную репрезентацию смысла к выражающей его моторной артикуляции, при этом постоянно соединяясь и взаимодействуя с речью. Однако жесты, как считает Д. Мак-Нил, совсем не обязательно связаны с лексическим выбором.
Его оппоненты У. Хадар и Б. Баттерворт (Hadar, Butterworth 1997) с таким выводом Д. Мак-Нила не согласны, и мы к ним присоединяемся. Они полагают, что их представление, закрепленное в модели порождения устного текста, которую они предлагают, гораздо лучше объясняет факты соединения вербальной и жестовой продукции. Ученые проверили (и подтвердили на большом материале) свою гипотезу, согласно которой жесты с низкой смысловой конкретизацией, то есть более абстрактные и менее определенные по смыслу, должны давать бóльшие временные задержки и с большей вероятностью появляться в «предсловных» и «предсентенциальных»