แม้ว่าโมเดลภาษาขนาดใหญ่ (LLM) จะสามารถแสดงเหตุผลแบบลำดับขั้นตอน (Chain-of-Thought) ได้ดูสมเหตุสมผล แต่ในความเป็นจริงผลลัพธ์นั้นอาจไม่ได้ขึ้นอยู่กับข้อมูลตั้งต้น (Premises) ที่ระบุไว้ งานวิจัยนี้จึงนำเสนอ 'Interventional Grounding Audits' ซึ่งเป็นวิธีการตรวจสอบแบบ Black-box ในระดับขั้นตอนการคิด
วิธีการนี้ใช้วิธีการแทรกแซง (Intervention) โดยการเปลี่ยนสัญลักษณ์ในข้อมูลตั้งต้นแล้วตรวจสอบว่าขั้นตอนการใช้เหตุผลในแต่ละขั้นของโมเดลเปลี่ยนไปตามความจริงหรือไม่ ผลการทดสอบกับ GPT-4o พบว่าสามารถตรวจพบขั้นตอนที่มี 'คำตอบถูกแต่ใช้เหตุผลผิด' ได้อย่างมีประสิทธิภาพ โดยมีค่า F1 Score สูงถึง 0.806 ซึ่งสูงกว่าวิธีการตรวจสอบความสอดคล้องแบบเดิมอย่างมาก
