누락된 모달리티 (missing modalities) 상황에서의 멀티모달 감성 분석 (multimodal sentiment analysis, MSA)을 위한 기존 방법들은 대개 복구 우선 (repair-first) 패러다임을 따릅니다. 우리는 이 가정을 재검토하며 다음과 같은 질문을 던집니다: \emph{모든 누락된 모달리티를 반드시 복구해야 하는가?} 샘플별 오라클 분석 (per-sample oracle analysis) 결과, 그 답은 항상 '예'는 아니었습니다. 전체 모달리티 입력이 최적인 샘플은 극히 일부에 불과하며, 일부 샘플들은 각각의 모달리티 서브셋 (modality subset)을 선호합니다. 이러한 결과는 모달리티를 추가하거나 복구하는 것이 항상 예측 성능을 향상시키는 것은 아니며, 각 모달리티의 효용성이 샘플에 따라 달라질 수 있음을 시사합니다. 이러한 발견을 바탕으로, 우리는 "복구 여부"를 샘플 수준에서 명시적이고 학습 가능한 결정으로 전환하는 \textbf{S}ufficiency-\textbf{I}nformed \textbf{E}vidential \textbf{V}al\textbf{vE} (\textbf{SIEVE})를 제안합니다. SIEVE는 직접 예측 브랜치 (direct prediction branch)와 복구 브랜치 (repair branch)를 비교하고, 이들의 샘플별 손실 차이 (per-sample loss gap)로부터 경험적 충분성 신호 (empirical sufficiency signal)를 도출하며, 충분성 (sufficiency)과 그 인식론적 불확실성 (epistemic uncertainty)을 공동으로 모델링하는 증거 기반 게이트 (evidential gate)를 통해 각 입력을 라우팅합니다. SIEVE는 복구 방식에 구애받지 않습니다 (repair-agnostic): 내부 설계를 수정하지 않고도 임의의 명시적 또는 암시적 복구 모듈 상단에서 플러그 앤 플레이 (plug-and-play) 방식으로 동작합니다. CMU-MOSI 및 IEMOCAP에 대한 실험 결과, SIEVE는 평가된 누락률 전반에 걸쳐 대표적인 복구 백본 (repair backbones)들의 성능을 일관되게 향상시키며, 샘플별 듀얼 브랜치 (dual-branch)로 달성 가능한 최적치에 근접함을 보여줍니다.