연구진은 인간의 소프트 라벨이 모델의 교정 능력을 향상시키는 효과를 분석했어요. 기존 연구의 오류를 수정하여, 소프트 라벨이 데이터 오류 수정과 분리된 환경에서 실험을 진행했어요. 인간의 소프트 라벨은 정확도 향상뿐 아니라 어려운 샘플에 대한 모델 교정 및 안정적인 수렴을 촉진하는 정규화 역할을 한다는 것을 확인했어요.
데이터 지도 작성(dataset cartography) 결과, 인간 소프트 라벨로 학습된 모델은 인간의 불확실성을 반영하는 반면, 합성 라벨로 학습된 모델은 그렇지 않다는 것을 보여줬어요. 이 연구는 인간-AI 불확실성 정렬을 위한 진단 도구로 활용될 수 있어요.