Cet article présente un pipeline de modèles de langage à grande échelle qui améliore la vérification automatisée des faits d'affirmations complexes. Les méthodes d'inférence guidées par programme existantes souffrent de limitations liées à leur dépendance à des démonstrations générées manuellement. Pour surmonter ces limitations, nous proposons BOOST, une méthode d'amorçage qui affine de manière itérative les méta-règles basées sur les données, sans intervention humaine. BOOST passe de manière transparente d'un apprentissage guidé par programme à zéro coup à un apprentissage guidé par programme à quelques coups, améliorant ainsi l'interprétabilité et l'efficacité. Les résultats expérimentaux démontrent que BOOST surpasse les modèles de base à quelques coups existants pour la vérification d'affirmations complexes.
