연구진은 LLM의 체인 오브 씽킹(CoT) 추론 과정이 최종 답변을 제대로 뒷받침하지 못하는 문제점을 인과적 관점에서 분석했어요.
CASE 프레임워크는 학습 시 인과적 정렬을, 추론 시 구조적 강제를 통해 CoT-to-answer 의존성을 강화하고 instruction-to-answer 단축 경로를 억제해요.
CASE는 3가지 모델과 4가지 벤치마크에서 기존 방식 대비 CoT 충실도 평균 37% 향상, 데이터셋 간 충실도 전이성 강화, 경쟁력 있는 정확도를 달성했어요.