인간 정렬 (Human-aligned) AI의 핵심은 합성 데이터 (Synthetic alternatives) 대비 인간이 도출한 라벨 (Human-elicited labels)의 이점을 이해하는 것입니다. 인간의 소프트 라벨 (Soft-labels)은 불확실성 (Uncertainty)을 포착함으로써 Calibration (교정)을 개선하지만, 기존 연구들은 이러한 이점을 잘못 라벨링된 데이터의 암묵적 수정 (Mode shifts)과 혼동하여 소프트 라벨의 진정한 효과를 가려왔습니다. 본 연구에서는 MNIST 및 합성 변형 데이터셋을 통해 소프트 라벨 학습에 대한 통제된 감사 (Controlled audit)를 수행하였으며, 인간의 불확실성을 추출하기 위해 하위 집합을 재주석 (Re-annotating) 처리하였습니다. 소프트 라벨 지도 학습 (Soft-label supervision)을 근본적인 라벨 모드 변화 (Label mode shifts)로부터 분리함으로써, 우리는 인간의 소프트 라벨이 정확도 향상을 제공할 뿐만 아니라, 어려운 샘플에 대한 모델의 Calibration을 개선하고 학습 과정 전반에서 안정적인 수렴 (Stable convergence)을 촉진하는 Regularizer (규제자)로서 더 큰 가치가 있음을 보여줍니다. 데이터셋 지도법 (Dataset cartography)을 통해 확인한 결과, 인간의 소프트 라벨로 학습된 모델은 인간의 불확실성을 반영하는 반면, 합성 라벨로 학습된 모델은 인간과 일치하는 데 실패했습니다. 광범위하게 볼 때, 본 연구는 인간-AI 불확실성 정렬 (Human-AI uncertainty alignment)을 위한 진단 테스트베드를 제공합니다.