---
title: "Chain-of-Verification (TH)"
source: "https://systems-analysis.info/int/Chain-of-Verification_(TH)"
wiki: "systems-analysis.info/int"
article: "Chain-of-Verification_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 886
wiki_created_at: 2026-09-06T22:40:15Z
wiki_modified_at: 2026-09-06T22:40:15Z
downloaded_at: 2026-09-07T22:42:53Z
---

# Chain-of-Verification (TH)

**Chain-of-Verification (CoVe)** — คือวิธีการที่ถูกเสนอขึ้นเพื่อลดจำนวน **ภาพหลอน** (การสร้างคำตอบที่ผิดพลาดทางข้อเท็จจริงแต่ดูน่าเชื่อถือ) ในโมเดลภาษาขนาดใหญ่ (**LLM**)<sup>[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-arxiv-original-1)</sup> แนวทางนี้พัฒนาโดยกลุ่มนักวิจัยจาก Meta AI ภายใต้การนำของ **Shehzaad Dhuliawala** และนำเสนอในงานวิจัย «Chain-of-Verification Reduces Hallucination in Large Language Models» (2023) ซึ่งจัดอยู่ในกลุ่มวิธีการ **การตรวจสอบตนเอง** และ **การแก้ไขตนเอง** (self-verification) ของ LLM<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> แนวคิดหลักของ CoVe คือการตรวจสอบคำตอบที่สร้างขึ้นอย่างเป็นขั้นตอนโดยตัวโมเดลเองโดยไม่อาศัยแหล่งข้อมูลภายนอก<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> วิธีนี้กระตุ้นให้ระบบใช้ความพยายาม «เชิงเหตุผล» มากขึ้นในการวิเคราะห์คำตอบและแก้ไขข้อผิดพลาดของตนเองก่อนที่จะนำเสนอคำตอบต่อผู้ใช้<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup>

## ภูมิหลัง: ภาพหลอนในโมเดลภาษา

โมเดลภาษาขนาดใหญ่ (LLM) มักประสบกับปรากฏการณ์ «ภาพหลอน» ซึ่งหมายถึงการสร้างคำตอบที่ดูน่าเชื่อถือแต่ผิดพลาดทางข้อเท็จจริง<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> ปัญหานี้ได้รับการยอมรับอย่างกว้างขวางว่ายังไม่ได้รับการแก้ไขในด้าน NLP เนื่องจากแม้แต่โมเดลสมัยใหม่ก็อาจให้ข้อมูลเท็จด้วยความมั่นใจสูง ทำให้ผู้ใช้เข้าใจผิด<sup>[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-arxiv-original-1)</sup> ตัวอย่างเช่น โมเดลอาจ «สร้างขึ้น» ข้อเท็จจริงที่ไม่มีอยู่จริงอย่างน่าเชื่อถือ หรือสับสนข้อมูลประวัติของบุคคลที่มีชื่อเสียง เนื่องจากข้อผิดพลาดเชิงข้อเท็จจริงเหล่านี้ตรวจพบได้ยากหากไม่มีการตรวจสอบอย่างละเอียด นักวิจัยจึงพัฒนาวิธีการต่าง ๆ อย่างแข็งขันเพื่อลดจำนวนภาพหลอนในคำตอบของ LLM

## ขั้นตอนของวิธีการ CoVe

วิธีการ Chain-of-Verification ดำเนินการผ่านสี่ขั้นตอนที่ต่อเนื่องกัน<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup>:

1.  **การสร้างคำตอบพื้นฐาน** โมเดลสร้างคำตอบเบื้องต้นสำหรับคำถามต้นทางโดยไม่มีคำแนะนำพิเศษ (สมมติฐานคำตอบพื้นฐาน)<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> คำตอบร่างนี้ทำหน้าที่เป็นจุดเริ่มต้นและอาจมีภาพหลอนที่จะต้องค้นพบในขั้นตอนถัดไป
2.  **การวางแผนคำถามตรวจสอบ** เมื่อมีคำถามต้นทางและคำตอบที่สร้างขึ้นแล้ว โมเดลจะกำหนดรายการคำถามเชิงตรวจสอบที่ยืนยันความถูกต้องของข้อเท็จจริงจากคำตอบพื้นฐาน<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> **verification questions** เหล่านี้มุ่งเน้นที่ข้อเท็จจริงสำคัญของคำตอบและช่วยในการระบุข้อผิดพลาดหรือความไม่ถูกต้องที่อาจเกิดขึ้น
3.  **การดำเนินการตรวจสอบ (การพิสูจน์)** จากนั้นโมเดลจะตอบคำถามตรวจสอบแต่ละข้ออย่างต่อเนื่องและเป็นอิสระ โดยพยายามไม่อ้างอิงคำตอบเบื้องต้นเพื่อหลีกเลี่ยงอคติ<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> คำตอบที่ได้จะถูกเปรียบเทียบกับคำตอบต้นทางเพื่อค้นหาความขัดแย้งหรือข้อผิดพลาด วิธีนี้ช่วยระบุส่วนของคำตอบต้นทางที่ไม่ได้รับการสนับสนุนจากข้อเท็จจริง
4.  **การสร้างคำตอบขั้นสุดท้าย** สุดท้าย โมเดลสร้างคำตอบที่แก้ไขแล้วโดยอิงจากความไม่สอดคล้องที่พบ<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> คำตอบนี้ได้รับการปรับปรุงตามผลการตรวจสอบ ซึ่งช่วยเพิ่มความแม่นยำทางข้อเท็จจริงและลดโอกาสเกิดภาพหลอน

แต่ละขั้นตอนเหล่านี้ดำเนินการโดยใช้การสอบถามเพิ่มเติมไปยัง LLM เดียวกันแต่ด้วยคำแนะนำที่แตกต่างกัน<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> นั่นคือโมเดลจะสลับบทบาทเป็นผู้ตอบ จากนั้นเป็นผู้ตรวจสอบ (ตั้งคำถามและตอบ) และเป็นบรรณาธิการของผลลัพธ์ขั้นสุดท้าย

## ตัวแปรของการดำเนินการตรวจสอบ

ผู้เขียนวิธีการได้ทดลองหลายรูปแบบในการดำเนินขั้นตอนการตรวจสอบ ซึ่งแตกต่างกันในวิธีการตั้งและรับคำตอบสำหรับคำถามตรวจสอบ<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup>:

- **แนวทางรวม (Joint)** โมเดลสร้างทั้งคำถามตรวจสอบและคำตอบสำหรับคำถามเหล่านั้นภายในการสอบถามเดียว ตัวเลือกนี้มีความเหมาะสมน้อยกว่าเนื่องจากโมเดลที่ตอบทันทีอาจสร้างภาพหลอนของข้อเท็จจริงและทำซ้ำข้อผิดพลาดของคำตอบต้นทางเนื่องจากความเอนเอียง<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup>
- **แนวทางสองขั้นตอน (2-Step)** คำถามตรวจสอบถูกสร้างขึ้นก่อนด้วยการสอบถามแยกต่างหาก จากนั้นในการสอบถามถัดไปโมเดลจะตอบรายการคำถามที่สร้างขึ้น<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> การแยกขั้นตอนช่วยหลีกเลี่ยงอิทธิพลของคำตอบต้นทางในระหว่างการสร้างคำถาม
- **การตรวจสอบแยกส่วน (Factored)** โมเดลตอบ **คำถามตรวจสอบแต่ละข้อแยกกัน** โดยใช้การสอบถามแบบต่อเนื่องหลายครั้ง (หนึ่งครั้งต่อคำถาม)<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> แนวทางนี้ป้องกันการคัดลอกส่วนของคำตอบต้นทางง่าย ๆ เนื่องจากคำตอบสำหรับคำถามตรวจสอบถูกกำหนดขึ้นอย่างอิสระ ซึ่งช่วยลดความเสี่ยงในการทำซ้ำภาพหลอนเดิม ข้อเสียคือต้นทุนการคำนวณที่เพิ่มขึ้นเนื่องจากจำนวนการสอบถามเพิ่มขึ้นตามสัดส่วนของจำนวนคำถาม
- **การตรวจสอบแยกส่วนพร้อมการปรับปรุง (Factored + Revise)** หลังจากได้รับคำตอบสำหรับคำถามตรวจสอบทั้งหมดแล้ว โมเดลจะดำเนินขั้นตอนเพิ่มเติมของการเปรียบเทียบและ **การแก้ไข** โดยใช้การสอบถามแยกต่างหาก โมเดลจะเปรียบเทียบข้อเท็จจริงที่ได้กับคำตอบต้นทางและระบุความไม่สอดคล้องอย่างชัดเจน จากนั้นจึงสร้างคำตอบขั้นสุดท้ายพร้อมการแก้ไข<sup>[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-medium-cove-3)</sup> ขั้นตอนเพิ่มเติมนี้บังคับให้ระบบวิเคราะห์ความแตกต่างอย่างละเอียดมากขึ้นและรวมข้อมูลที่แก้ไขแล้วเข้าในผลลัพธ์ขั้นสุดท้าย

## ผลการทดลอง

วิธีการ Chain-of-Verification ได้รับการทดสอบกับงานหลายประเภทที่มีความไวต่อความแม่นยำทางข้อเท็จจริงของคำตอบ<sup>[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-arxiv-original-1)</sup> ในจำนวนนั้นได้แก่ คำถามการแจกแจงข้อเท็จจริงจากฐานความรู้ (รายการจาก Wikidata และหมวดหมู่ Wikipedia) คำถามที่มีคำตอบหลายข้อจากส่วนต่าง ๆ ของข้อความ (MultiSpanQA) และงานการสร้างข้อความแบบขยาย (เช่น ชีวประวัติ)<sup>[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-arxiv-original-1)</sup>

ผลลัพธ์แสดงให้เห็น **การลดลงอย่างมีนัยสำคัญของภาพหลอน** ในทุกประเภทของงานเมื่อใช้ CoVe เปรียบเทียบกับโมเดลต้นทางที่ไม่มีการตรวจสอบตนเอง<sup>[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-arxiv-original-1)</sup> ตัวแปร factored + revise ซึ่งเป็นการตรวจสอบแยกส่วนพร้อมการเปรียบเทียบข้อเท็จจริงขั้นสุดท้ายแสดงประสิทธิภาพสูงสุด แนวทางนี้ให้ตัวชี้วัดความแม่นยำที่ดีที่สุด ตัวอย่างเช่น ในงานการสร้างข้อความชีวประวัติ การใช้ CoVe กับโมเดล **LLaMA-65B** (LLM ขนาด 65 พันล้านพารามิเตอร์) เพิ่มตัวชี้วัดเชิงข้อเท็จจริง **FactScore** จาก ~63.7 เป็น ~71.4 คะแนน<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> การเพิ่มขึ้นของ FactScore บ่งชี้ว่าคำตอบขั้นสุดท้ายมีข้อเท็จจริงที่ผ่านการตรวจสอบมากขึ้นและมีข้อมูลที่ประดิษฐ์ขึ้นน้อยลง

ยิ่งไปกว่านั้น LLM ที่เชื่อมต่อกับห่วงโซ่การตรวจสอบยังสามารถเหนือกว่าแม้แต่ระบบที่มีประสิทธิภาพสูงกว่าหรือมีอุปกรณ์พิเศษบางระบบ ตัวอย่างเช่น LLAMA-65B พร้อม CoVe แสดง FactScore สูงกว่า **ChatGPT** (โมเดลจาก OpenAI) และแซงหน้า **Perplexity.ai** ซึ่งเป็นโมเดลที่เสริมด้วยการค้นหาอินเทอร์เน็ตเพื่อสนับสนุนข้อเท็จจริงในคำตอบ<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> สิ่งนี้น่าสังเกตเนื่องจาก Perplexity ใช้แหล่งข้อมูลภายนอกในการค้นหาข้อมูล ขณะที่ CoVe บรรลุการปรับปรุงคุณภาพโดยอาศัยเพียงความสามารถภายในของโมเดลเองในด้านการใช้เหตุผลและการตรวจสอบตนเอง<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> อย่างไรก็ตาม สำหรับข้อเท็จจริงที่หายากที่สุด (เมื่อต้องการความรู้เฉพาะทาง) ระบบการดึงข้อมูลอย่าง Perplexity ยังคงมีความได้เปรียบ แต่สำหรับคำถามส่วนใหญ่ CoVe ให้คำตอบที่แม่นยำกว่า<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup>

## ข้อจำกัดและแนวโน้ม

ควรสังเกตว่าแม้ Chain-of-Verification จะลดสัดส่วนของภาพหลอนได้อย่างเห็นได้ชัด แต่วิธีการนี้ไม่สามารถกำจัดภาพหลอนได้อย่างสมบูรณ์ โมเดลยังคงสามารถเกิดข้อผิดพลาดได้หากคำถามตรวจสอบไม่ครอบคลุมรายละเอียดที่ผิดพลาดบางอย่าง หรือหาก LLM เองไม่ทราบข้อเท็จจริงที่ถูกต้อง นอกจากนี้ CoVe ยัง **เพิ่มภาระการคำนวณ** เนื่องจากสำหรับคำถามของผู้ใช้หนึ่งข้อต้องดำเนินการสอบถามต่อเนื่องหลายครั้ง (การสร้างคำตอบ การสร้างคำถาม การตอบคำถาม การรวบรวมขั้นสุดท้าย) ในขณะที่โมเดลทั่วไปตอบในขั้นตอนเดียว<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> อย่างไรก็ตาม ผู้เขียนแสดงให้เห็นว่าในแง่ต้นทุนรวม CoVe สามารถเทียบเคียงได้กับแนวทางหลายขั้นตอนอื่น ๆ ในการตรวจจับภาพหลอนและยังคงเป็นแนวทางแก้ปัญหาที่ใช้ได้จริง<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup>

ในงานวิจัยของตน นักวิจัยจาก Meta AI ได้ระบุทิศทางที่เป็นไปได้ในการปรับปรุงวิธีการ แนวทางที่ชัดเจนอย่างหนึ่งคือ **การรวม CoVe เข้ากับการใช้เครื่องมือภายนอก** เช่น การเชื่อมต่อโมดูลการค้นหาอินเทอร์เน็ตหรือฐานความรู้ในขั้นตอนการตรวจสอบ<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup> วิธีนี้จะช่วยให้ได้รับข้อมูลที่น่าเชื่อถือจากภายนอกและยืนยันหรือหักล้างข้อเท็จจริงจากคำตอบต้นทางได้อย่างน่าเชื่อถือยิ่งขึ้น ดังนั้น Chain-of-Verification จึงทำหน้าที่เป็นก้าวสู่ระบบ AI ที่มีความรับผิดชอบและแม่นยำมากขึ้น โดยแสดงให้เห็นว่าการบังคับให้โมเดล **ทบทวนคำตอบของตนเองอย่างมีวิจารณญาณ** สามารถปรับปรุงคุณภาพได้อย่างมีนัยสำคัญและลดการแพร่กระจายของข้อเท็จจริงที่ประดิษฐ์ขึ้นในข้อความที่สร้างขึ้น<sup>[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_note-aclanthology-findings-2)</sup>

## ลิงก์

- บทความต้นฉบับ «Chain-of-Verification Reduces Hallucination in Large Language Models» บน arXiv
- บทความ «Chain-of-Verification Reduces Hallucination in Large Language Models» ใน ACL Anthology
- Chain of Verification (CoVe) — Understanding & Implementation — บทความบน Medium

## เอกสารอ้างอิง

- Dhuliawala, S. et al. (2023). *Chain-of-Verification Reduces Hallucination in Large Language Models*. arXiv:2309.11495.
- Manakul, P. et al. (2023). *SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models*. arXiv:2303.08896.
- Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844.
- Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507.
- Lightman, H. et al. (2023). *Let's Verify Step by Step*. arXiv:2305.20050.
- Ling, Z. et al. (2023). *Deductive Verification of Chain-of-Thought Reasoning*. arXiv:2306.03872.
- Lyu, Q. et al. (2023). *Faithful Chain-of-Thought Reasoning*. arXiv:2301.13379.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.

## หมายเหตุ

1.  <span id="cite_note-arxiv-original-1">↑ <sup>[1.0](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-arxiv-original_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-arxiv-original_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-arxiv-original_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-arxiv-original_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-arxiv-original_1-4)</sup> Dhuliawala, Shehzaad et al. «Chain-of-Verification Reduces Hallucination in Large Language Models». *arXiv*. <a href="https://arxiv.org/abs/2309.11495" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-aclanthology-findings-2">↑ <sup>[2.00](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-aclanthology-findings_2-14)</sup> Dhuliawala, Shehzaad et al. «Chain-of-Verification Reduces Hallucination in Large Language Models». *ACL Anthology*. <a href="https://aclanthology.org/2024.findings-acl.212.pdf" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-medium-cove-3">↑ <sup>[3.0](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-3)</sup> <sup>[3.4](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-4)</sup> <sup>[3.5](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-5)</sup> <sup>[3.6](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-6)</sup> <sup>[3.7](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-7)</sup> <sup>[3.8](https://systems-analysis.info/int/Chain-of-Verification_(TH)#cite_ref-medium-cove_3-8)</sup> chowdhury, sourajit roy. «Chain of Verification (CoVe) — Understanding & Implementation». *Medium*. <a href="https://sourajit16-02-93.medium.com/chain-of-verification-cove-understanding-implementation-e7338c7f4cb5" class="external autonumber" rel="nofollow">[3]</a></span>