본 논문은 대규모 언어 모델(LLM)의 시간적 추론 능력의 부족, 특히 사건 간의 시간적 일관성 유지를 어려워하는 점을 다룹니다. 기존 연구에서 지적된 'before'와 'after'와 같은 상호 배타적인 시간적 관계를 혼동하거나 일관되지 않은 예측을 하는 문제를 해결하기 위해, 반사실적 프롬프팅 기법을 제안합니다. 이 기법은 반사실적 질문을 생성하고 집단적 제약 조건을 적용하여 모델의 일관성을 향상시킵니다. 여러 데이터셋에서 평가한 결과, 명시적 및 암시적 사건의 순서 정렬과 시간적 상식 이해에서 상당한 개선을 보였습니다.
