연구진은 제약 조건을 '수리 후 거부' 방식으로 접근하는 Repair-Augmented Constraint Learning (RACL) 프레임워크를 제안했어요.
RACL은 시스템이 미리 정의된 수리 옵션(티켓 추가, 설정 변경 등)을 활용하여 후보를 수리한 후 제약 조건을 평가하는 방식이에요.
DB1B 벤치마크에서 RACL은 기존 방식보다 훨씬 적은 오탐(false veto)을 보이며, 수리 가능성과 선호도를 고려한 의사결정 능력을 입증했어요.