Badacze proponują nową metodę kalibrowanego uczenia preferencji dla problemu label rankingu, gdzie model musi uszeregować wiele etykiet w kolejności preferencji. Podejście to poprawia niezawodność systemów uczących się od ludzi poprzez lepsze dopasowanie przewidywań modelu do rzeczywistych preferencji. Znajduje zastosowanie w systemach rekomendacyjnych, modelach językowych oraz innych zadaniach wymagających rankowania opartego na preferencjach użytkowników.