대규모 언어 모델(LLM)은 환각 경향과 논리적 오류 분류 정확도 저하 등 심각한 추론 능력 격차를 보인다. 이는 빠르고 직관적인 시스템 1 처리를 기본으로 하기 때문이며, 신뢰할 수 있는 추론에는 의도적이고 노력이 필요한 시스템 2 접근 방식이 필요하다. 본 연구는 시스템 2 전체 훈련의 높은 비용 문제를 해결하기 위해, 저비용의 지시 기반 개입 방안을 모색한다. 논리적 오류 분류를 일련의 원자적 절차 단계(단순 이진 질문)로 분해하는 새로운 단계별 지시 데이터 세트를 도입하고, 관련 오류의 관계 지식 그래프를 참조하는 최종 검증 단계를 추가한다. 이러한 절차적이고 규칙 기반의 개입은 LLM의 논리적 오류 분류를 크게 향상시켰다.
