En este artículo, proponemos BOOST, un marco basado en bootstrap para superar las limitaciones de los métodos de aprendizaje de pocos intentos existentes en la inferencia guiada por programa para la verificación de aserciones complejas. BOOST integra la descomposición de aserciones y las estrategias de recopilación de información como directrices estructurales para la generación de programas, mejorando iterativamente las demostraciones con bootstrap sin intervención humana. Esto permite una transición fluida del aprendizaje de cero intentos al aprendizaje estratégico de pocos intentos guiado por programa, mejorando así la interpretabilidad y la eficiencia. Los resultados experimentales muestran que BOOST supera a los modelos de referencia de pocos intentos existentes, tanto en entornos de cero intentos como de pocos intentos, para la verificación de aserciones complejas.
