视频的动作质量评估（AQA）是一项具有挑战性的视觉任务，因为视频与动作评分之间的关系难以建模。因此，AQA 在文献中得到了广泛研究。传统上，AQA 被视为一个回归问题，旨在学习视频与动作评分之间的潜在映射关系。然而，以往的方法忽略了 AQA 数据集中存在的数据不确定性。为了应对随机不确定性（aleatoric uncertainty），我们进一步开发了一个即插即用模块——分布自编码器（Distribution Auto-Encoder, DAE）。具体而言，该模块将视频编码为分布，并利用变分自编码器（Variational Auto-Encoders, VAE）中的重参数化技巧进行评分采样，从而建立了视频与评分之间更为准确的映射关系。同时，我们使用似然损失来学习不确定性参数。我们将 DAE 方法集成到 MUSDL 和 CoRe 中。在公开数据集上的实验结果表明，我们的方法在 AQA-7、MTL-AQA 和 JIGSAWS 数据集上达到了最先进的性能。我们的代码已发布在 https://github.com/InfoX-SEU/DAE-AQA。