주장 검증 (Claim verification)은 의료 및 금융을 포함한 고위험 환경에서 중요한 문제입니다. 주장을 뒷받침하는 정보가 불완전하거나 상충할 때, 이진(binary) 참 또는 거짓 분류보다는 불확실한 답변이 더 적절할 수 있습니다. 모든 경우에 있어, 최종 판결을 결정하는 고려 사항들에 대한 충실한 설명 (faithful explanations)은 매우 중요합니다. 본 논문에서는 3진 주장 검증 (ternary claim verification)을 위한 학습 가능한 신경 기호 (neurosymbolic) 프레임워크인 추론 시점 논증 (inference-time argumentation, ITA)을 소개합니다. 이 프레임워크에서는 주장의 강도를 나타내는 형식적 논증 의미론 (formal argumentation semantics)이 다음 두 가지 용도로 사용됩니다: (i) 모델이 논증을 생성하고 이에 기초 점수 (base scores, 내재적 강도를 나타냄)를 부여하는 법을 학습함에 따라 LLM 학습을 가이드하는 용도, 그리고 (ii) 생성되고 점수가 매겨진 논증으로부터 3진 (참/거짓/불확실) 예측을 계산하는 용도입니다. 그 결과, 학습 시에는 유도된 논증적 예측의 품질에 따라 논증 생성 및 점수 매기기를 최적화할 수 있습니다. 또한, 추론 시에는 기존의 추론 모델들처럼 잠재적으로 불충실한 사후 추론 과정 (post-hoc reasoning trace)에 의해 정당화되는 것이 아니라, 구조적으로 판결을 결정하는 논증과 점수에 충실한 최종 예측을 제공합니다. 마지막으로, 우리는 3진 주장 검증을 위한 두 개의 데이터셋에서 ITA가 논증 기반 베이스라인 (argumentative baselines)보다 성능을 개선하며, 비논증적 직접 예측 베이스라인 (non-argumentative direct-prediction baselines)과 경쟁할 수 있는 성능을 보이면서도, 명시적이고 검사 가능한 논증 구조로부터 결정론적으로 계산된 판결을 제공함을 보여줍니다.