본 논문은 대규모 언어 모델(LLM)의 시계열 표 데이터 추론(Temporal Table Reasoning) 능력 향상을 위한 연구를 다룬다. 기존의 다양한 프롬프트 기법들의 효과에 대한 체계적인 분석이 부족하고, 표 구조 및 문맥에 따라 모델 성능이 크게 달라지는 문제점을 지적한다. 연구에서는 다양한 표 유형에 대한 여러 프롬프트 기법을 실험하여, 개체 유형, 표 구조, 추가 문맥 필요성, 질문 복잡도 등이 성능에 영향을 미치며 단일 최적 기법은 없다는 것을 밝혔다. 이를 해결하기 위해, 인간의 추론 과정에서 영감을 받은 적응형 프롬프팅 프레임워크인 SEAR을 제시하고, 이를 통해 모든 표 유형에서 기존 기법들보다 우수한 성능을 달성함을 보였다. 또한, 표 구조 재구성의 영향을 분석하여 통합된 표현이 모델 추론 향상에 기여함을 확인했다.
