사실 오류 수정 (Factual Error Correction, FEC) 은 외부 증거와 일관된 문장으로 부정확한 텍스트를 수정하는 것을 목표로 합니다. 최근 방법들은 단일 단계 수정에 효과적이지만, 여러 증거 소스를 통해 구성적 추론이 필요한 다단계 경우를 원자 단위로 취급하며 처리하기 어렵습니다. 이 문제는 제한된 쌍 데이터와 복잡한 추론 체인 내의 의미 오류 위치 찾기 어려움으로 인해 더욱 심화됩니다. 우리는 구성적 오류 수정을 위한 구성적 오류 수정을 위한 추론에 대한 합성 (Compositional Error Correction via Reasoning-aware Synthesis, CECoR) 을 제시합니다. CECoR 은 다단계 명제를 해석 가능한 추론 단계로 분해하고 제어된 왜곡을 주입하여 고품질 훈련 쌍을 합성하는 추론에 대한 프레임워크입니다. 두 단계 학습 전략은 감독 미세 조정과 강화 학습을 결합하여 사실적 정확도와 견고성을 향상시킵니다. 종합 평가는 CECoR 이 다단계 벤치마크에서 강력한 성능을 달성함을 보여줍니다. 이는 거리별 감독 방법과 소수 시 LLM 기반 모델보다 우수하며, 단일 단계 수정에도 효과적으로 일반화하고 잡음 있는 증거 하에서도 안정적임을 입증합니다.