近年、ビデオから動作の品質を評価する技術に対する関心が高まっています。既存のアプローチは通常、回帰アルゴリズムに基づいてこの問題に取り組んでいますが、複数の審査員や主観的な評価によって引き起こされるスコアラベルの内在的な曖昧性を無視しています。この課題に対処するために、我々は不確実性を考慮したスコア分布学習（Uncertainty-aware Score Distribution Learning: USDL）手法を提案します。具体的には、動作をスコア分布と関連付けられたインスタンスとして捉え、異なる評価スコアの確率を記述します。さらに、詳細なスコアラベルが利用可能な場合（例えば、動作の難易度や異なる審査員からの複数のスコアなど）、我々は多路徑不確実性を考慮したスコア分布学習（Multi-path Uncertainty-aware Score Distributions Learning: MUSDL）方法を開発し、スコアの分離された成分を探求します。我々は3つのAQAデータセット（各種オリンピック競技や手術活動を含む）で実験を行い、スピアマン順位相関係数において新しい最先端の成果を達成しました。