우리가 '질문'이라고 부르는 많은 관련 예측 문제들은 각각 적은 수의 레이블을 가지고 있습니다. 이들 사이에서 어떤 정보를 공유할 수 있으며, 좋은 결정을 내리는 데 실제로 무엇이 필요한가요? 우리는 개발자가 작성하는 모든 예/아니오 질문에 대한 확률을 반환하는 Jev(TypeSafe AI, 2026)와 같은 결정 모델에 의해 동기 부여된 재보정(recalibration)의 관점에서 이 두 가지 모두에 답합니다. 예측기는 $m$개의 질문에 대해 출력 법칙 $\mu$를 가진 확률 $P$를 보고하며, 각 질문은 $n$개의 레이블과 비감소 사상 함수 $g_j(p)=\mathbb{P}(Y=1\mid P=p)$를 가집니다. 복합 위험(compound risk)은 질문별로 평균화된 참 지도(true maps)에 대한 초과 Brier 점수입니다. $\mu$가 비원자적(non-atomic)인 경우, sup-거리 $\tau\le 1$ 및 총 변동(total variation) $V\le 2$ 내의 하나의 비감소 형태(고정 효과, fixed effects)에 대한 지도들 사이에서, 최소화된 복합 위험은 보편 상수(universal constants)를 제외하고 $(mn)^{-2/3}+\min{\tau^2,1/n}+\min{\tau^2,V^2,(V/n)^{2/3}\}$입니다. 모든 질문의 보유 레이블에 대해 한 번에 크기 조정된 통합 등각 적합(pooled isotonic fit)은 $\tau$, $V$ 또는 $\mu$를 알지 못해도 이를 달성합니다($n\ge 2$, $m\ge 3$). 지도가 상수로 차이가 나고 $m^2/n$이 클 때, 각 질문을 자체 레이블로 조정하는 것은 크기 순서 $\min{n,\log(m^2/n)}$만큼 손실합니다. 지도가 알려지지 않은 사전 분포(random effects)에서 추출되는 경우, 다른 질문들이 베이즈 규칙(Bayes rule)을 식별할 필요는 없습니다. 손실, 즉 식별 후회(identification regret)는 질문 데이터의 법칙이 알려지면 최대 $2^{-n}$이며, 동전(coins)에 대한 Skibinsky (1968)의 경계를 확장하고, 최악의 경우 모든 유한 $m$에서 $\beta_*^{-n}/(72\sqrt{n})$ 이상입니다. 질문당 몇 개의 레이블을 넘어서면 학습할 수 없는 것은 거의 불필요합니다. 상수 지도(정보력이 낮은 예측기)와 상수-지도 사전 분포의 경우, 지수 밑은 모멘트 범위가 제안하는 4가 아니라 정확히 $\beta_*$이며, 단조 지도(monotone maps)의 경우 $[2,\beta_*]$ 사이에 있습니다.