为了能加快人们面对海量信息内容时的阅读速度,自动摘要生成技术的研究日趋活跃。其中,生成式摘要相比于抽取式摘要算法因为更有潜力生成质量更高的摘要,而受到更多研究关注。但当下其落地面临的最大阻碍是,生成的摘要中容易带有和原文内容无关甚至冲突的错误信息,该问题也被叫做事实不一致问题。当前研究发现,不同的模型在事实一致性方面的表现存在明显的差距。因此,就改善该问题而言,当前的研究几乎都集中在针对模型的改进上。但改进模型的研究路线正面临着边际收益大幅递减的窘境。例如,即便是借助目前最强大的预训练模型,在XSum数据集上训练得到的生成式摘要模型仍会输出大量的事实性错误。与此同时,目前很少有研究从关于该问题同样关键的另一方面,即数据维度,出发探讨该问题的解决方案。本文的第一个贡献是梳理了模型产生错误事实的根源,并定量分析了各个因素（包括模型和数据集）的重要程度。这个问题涉及到当前研究的瓶颈究竟在什么地方。本文通过在主流中英文生成式摘要数据集上进行实验发现,这些数据集中普遍存在占比不尽相同的,带有事实错误的样本。最重要的观察是,数据集中的错误类型和模型输出中的错误类型的比例基本对应,且对模型的改进几乎不能缓解多数几种类型的错误。这意味着目前数据相较于模型才在更大的程度上引发事实一致性问题。也正因为如此,单纯改进模型很难再带来提升。本文的第二个贡献是提出一个新的,能更好判定带有事实错误的样本的技术路线。在判定带有事实错误的样本对上,当前效果最好的方法是把该问题规约到自然语言推理（NLI）任务。然而,尽管NLI任务和事实一致性判定任务在理论上契合,但由于后者的实际应用领域多变,给定的NLI模型在领域迁移时常伴随着性能的大幅折损,致使其最终效果不够理想。为了获得一个迁移性更好的解决方案,本文随后提出基于提示词范式（Prompt）的零样本和少样本一致性判定方法,实验表明,只要选择合适的前缀词,零样本学习也能以合理的性能和可解释的方式完成事实性判别任务。而少样本学习则能在事实一致性问题上的判定准确率,以及在应用到下游摘要任务后的事实准确性和ROUGE得分上,都显著超过基于NLI的方案。