让 AI 根据酒评猜评分，它若只报“8 分”，我们就看不到它究竟很确定，还是在 7 到 9 分之间摇摆。新方法 DiPPI（分布知情的预测辅助推断）保留这整套概率分布，用它帮助少量人工标注数据和大量未标注数据共同完成统计推断。它不把 AI 的预测直接当真，仍用真实标签校正偏差，因此目标不是凭空增加样本，而是让现有数据给出更稳定、区间更窄的估计。
关键一步是：研究者用有标签样本学习“在给定原始变量和预测分布后，统计计算所需信息的平均值”，再把这一关系用于两类样本。分布的形状、波动和尾部概率若包含单个预测值丢掉的信息，就能继续降低估计误差；若没有，也不会天然带来收益。作者在葡萄酒评分、森林类型和礼貌评分三项真实数据应用中称，DiPPI 的置信区间短于只用标签、PPI++ 和 RePPI，覆盖率接近设定水平；论文未在所给材料中汇总统一的缩短幅度。