ART: 설명 가능한 주장 검증을 위한 적응형 추론 트리

ART: Adaptive Reasoning Trees for Explainable Claim Verification

거대 언어 모델(LLM)은 방대한 내재 지식과 놀라운 제로샷 능력을 활용하여 복잡한 의사결정을 수행할 수 있는 강력한 후보이다. 그러나 불투명성으로 인해 그 산출물에 대한 충실한 설명이 부족하고, 오류 수정을 위해 효과적으로 이의를 제기할 수 없어 신뢰성이 저해됨에 따라 고위험 환경에서의 도입이 어려운 실정이다. 본 논문에서는 주장 검증을 위한 계층적 방법인 ART(적응형 추론 트리)를 제안한다. 이 과정은 루트 주장(root claim)에서 시작하여 이를 지지하거나 공격하는 하위 논거들로 분기된다. 논거의 강도는 심판 LLM이 판정하는 하위 노드 간의 쌍대 토너먼트를 통해 상향식으로 결정되며, 이를 통해 생각의 사슬(CoT)과 같은 방법론에서는 부재했던 최종적이고 투명하며 이의 제기가 가능한 판정을 체계적으로 도출할 수 있다. 우리는 여러 데이터셋에서 ART를 실증적으로 검증하고, 다양한 논거 생성기와 비교 전략을 분석하였다. 연구 결과, ART의 구조화된 추론은 강력한 베이스라인 모델들의 성능을 능가하였으며, 전반적인 의사결정 단계에서 더 높은 신뢰성과 명확성을 보장하는 설명 가능한 주장 검증의 새로운 벤치마크를 수립하였다.

Large Language Models (LLMs) are powerful candidates for complex decision-making, leveraging vast encoded knowledge and remarkable zero-shot abilities. However, their adoption in high-stakes environments is hindered by their opacity; their outputs lack faithful explanations and cannot be effectively contested to correct errors, undermining trustworthiness. In this paper, we propose ART (Adaptive Reasoning Trees), a hierarchical method for claim verification. The process begins with a root claim, which branches into supporting and attacking child arguments. An argument's strength is determined bottom-up via a pairwise tournament of its children, adjudicated by a judge LLM, allowing a final, transparent and contestable verdict to be systematically derived which is missing in methods like Chain-of-Thought (CoT). We empirically validate ART on multiple datasets, analyzing different argument generators and comparison strategies. Our findings show that ART's structured reasoning outperforms strong baselines, establishing a new benchmark for explainable claim verification which is more reliable and ensures clarity in the overall decision making step.