L'évaluation de la qualité des actions à partir de vidéos a suscité une attention croissante ces dernières années. La plupart des approches existantes abordent généralement ce problème en s'appuyant sur des algorithmes de régression, qui négligent l'ambiguïté inhérente aux étiquettes de score due à l'intervention de plusieurs juges ou à leurs évaluations subjectives. Pour remédier à cette situation, nous proposons une approche d'apprentissage de distribution de scores prenant en compte l'incertitude (USDL) pour l'évaluation de la qualité des actions (AQA). Plus précisément, nous considérons une action comme une instance associée à une distribution de scores, qui décrit la probabilité des différents scores évalués. De plus, dans le cas où des étiquettes de score détaillées sont disponibles (par exemple, le degré de difficulté d'une action ou plusieurs scores provenant de différents juges), nous avons élaboré une méthode d'apprentissage multi-chemin de distributions de scores prenant en compte l'incertitude (MUSDL) pour explorer les composantes dissociées d'un score. Nous avons mené des expériences sur trois jeux de données AQA contenant diverses actions olympiques et activités chirurgicales, où nos approches ont établi de nouveaux standards dans le cadre du coefficient de corrélation par rangs de Spearman.