Les recherches récentes en apprentissage actif, et plus précisément en échantillonnage par incertitude, se sont concentrées sur la décomposition de l'incertitude du modèle en incertitudes réductibles et irréductibles. Dans cet article, nous proposons de simplifier la phase de calcul et de supprimer la dépendance vis-à-vis des observations, mais surtout de prendre en compte l'incertitude déjà présente dans les étiquettes (l'incertitude des oracles). La stratégie proposée, l'échantillonnage par incertitude de Klir, traite également le dilemme d'exploration-exploitation, en utilisant la théorie des fonctions de croyance.