Dans les problèmes d'apprentissage supervisé, il est courant de disposer d'un grand nombre de données non étiquetées, mais de peu de données étiquetées. Il est alors souhaitable d'exploiter les données non étiquetées pour améliorer la procédure d'apprentissage. L'un des moyens pour y parvenir consiste à demander à un modèle de prédire des « pseudo-étiquettes » pour les données non étiquetées, afin de les utiliser pour l'apprentissage. Dans le cadre de l'auto-apprentissage, les pseudo-étiquettes sont fournies par le même modèle que celui qui les exploite. Comme ces pseudo-étiquettes sont par nature incertaines et seulement partiellement fiables, il est naturel de tenir compte de l'incertitude d'étiquetage dans le processus d'apprentissage, ne serait-ce que pour renforcer la procédure d'auto-apprentissage. Cet article décrit une telle approche, dans laquelle nous utilisons des prédicteurs Venn-Abers pour produire des étiquettes crédales calibrées afin de quantifier l'incertitude d'étiquetage. Ces étiquettes sont ensuite intégrées au processus d'apprentissage au moyen d'une fonction de cout adaptée. Les expériences montrent que la prise en compte de l'incertitude d'étiquetage renforce la procédure d'auto-apprentissage et lui permet généralement de converger plus rapidement.