본 논문은 복잡한 주장 사실 확인에서 프로그램 기반 추론의 효율성을 높이기 위한 부트스트래핑 기반 프레임워크인 BOOST를 제안한다. 기존 연구들이 임의의 데모를 이용한 몇 샷 학습에 의존하여 프로그램 다양성이 제한되고 상당한 도메인 지식을 필요로 했던 반면, BOOST는 주장 분해 및 정보 수집 전략을 프로그램 생성의 구조적 지침으로 명시적으로 통합하여 사람의 개입 없이 반복적으로 부트스트랩된 데모를 전략 주도적이고 데이터 중심적인 방식으로 개선한다. 이를 통해 제로샷에서 몇 샷 전략적 프로그램 기반 학습으로 원활하게 전환하여 해석성과 효율성을 향상시킨다. 실험 결과, BOOST는 복잡한 주장 검증에서 제로샷 및 몇 샷 설정 모두에서 기존의 몇 샷 기준 모델보다 성능이 우수함을 보여준다.
