본 논문은 장문 텍스트의 사실성 평가를 위한 분해-검증(Decompose-Then-Verify) 패러다임에 대한 기존 연구가 분해와 검증을 개별적으로 다루는 한계를 지적한다. 특히, 기존의 수동으로 설계된 분해 정책이 정보 밀도를 정량화하는 새로운 지표인 원자성(atomicity) 측면에서 후속 검증기와 잘 맞지 않아 최적이 아닌 검증 결과를 초래한다는 점을 발견했다. 따라서 최적의 검증을 위한 최적의 분해 정책을 찾는 문제를 이중 수준 최적화 문제로 공식화하고, 이를 근사적으로 해결하기 위해 검증기 피드백을 활용하여 청구 내용을 검증기에 적합한 원자성으로 동적으로 분해하는 정책을 학습하는 강화 학습 프레임워크인 동적 분해(dynamic decomposition)를 제안한다. 실험 결과, 동적 분해는 기존 분해 정책보다 우수하며, 다양한 검증기, 데이터 세트 및 입력 청구의 원자성에 걸쳐 검증 신뢰도를 평균 0.07, 정확도를 0.12 (0-1 척도) 향상시킨다.