Algunas bases de conocimiento (KBs) extraídas de artículos de Wikipedia pueden alcanzar valores de precisión promedio muy altos (más del 95% en DBpedia). Sin embargo, los errores sutiles, incluidas las inconsistencias, los valores atípicos y las relaciones erróneas, suelen ser ignorados en la construcción de las KBs mediante reglas de extracción. La detección automática y corrección de estos errores sutiles es importante para mejorar la calidad de las KBs. En este documento, se propone un programa lógico inductivo con información excepcional (EILP) para detectar automáticamente errores en bases de conocimiento grandes (KBs). EILP aprovecha los problemas de información excepcional que son ignorados en algoritmos convencionales de aprendizaje de reglas como la programación lógica inductiva (ILP). Además, se propone un método de corrección lógica inductiva con características excepcionales (EILC) para corregir automáticamente estos errores mediante el aprendizaje de un conjunto de reglas de corrección con características excepcionales, en las que se proporcionan métricas respectivas para validar las triples revisadas. Los resultados experimentales demuestran la efectividad de EILP y EILC en detectar y reparar grandes bases de conocimiento, respectivamente.