본 논문은 대규모 언어 모델(LLM)이 표 기반 질의응답(TQA) 작업에서 복잡한 표 구조와 질문 논리 때문에 어려움을 겪는다는 점을 지적하며, 작업 단순화 전략을 개선하고자 합니다. 기존의 작업 단순화 과정 자체보다 그 과정에서의 추론 과정이 더 중요하다고 주장하며, LLM의 추론 능력을 활용하여 TQA 성능을 향상시키는 것을 목표로 합니다. 이를 위해 '탐색 및 해결(Seek-and-Solve)' 파이프라인을 제안하는데, 이는 LLM이 먼저 관련 정보를 탐색한 후 질문에 답하도록 유도하고, 두 단계를 추론 수준에서 통합하는 '탐색 및 해결 사고 연쇄(SS-CoT)'를 활용합니다. 또한, SS-CoT 경로를 이용한 데모를 통해 단일 단계 TQA 해결 프롬프트를 증류하여, 컨텍스트 내 학습 설정에서 복잡한 TQA 작업을 해결하도록 LLM을 유도합니다. 실험 결과, 제안된 방법이 효율적이면서 성능과 신뢰성을 향상시킨다는 것을 보여줍니다. 결론적으로, 복잡한 TQA 작업을 효과적으로 처리하기 위해 LLM의 추론 능력을 유도하는 것이 중요함을 강조합니다.
