본 논문은 어노테이터 간의 의견 불일치를 모델링하기 위해, soft label 분포 예측과 perspectivist 평가를 활용하는 "Learning With Disagreements (LeWiDi) 2025" 공동 작업에 참여하여 DisCo (Distribution from Context) 아키텍처를 개선하고 분석한 내용을 담고 있다. 어노테이터 메타데이터 임베딩, 입력 표현 개선, 다중 목적 훈련 손실을 도입하여 불일치 패턴을 더 잘 포착하도록 DisCo를 확장했다. 광범위한 실험을 통해 소프트 및 perspectivist 평가 메트릭에서 상당한 개선을 보였으며, 불일치 인식 모델링이 언제, 왜 개선되는지 보여주는 심층적인 보정 및 오류 분석을 수행했다. 어노테이터 인구 통계 정보를 조건으로 하고 분포 메트릭을 직접 최적화하여 불일치를 더 잘 포착할 수 있음을 확인했다.