چکیده: در سال‌های اخیر با توجه به گسترش اخبار جعلی در سایت‌های خبری و پلتفرم‌های اجتماعی نیاز به شناسایی این اخبار بیش از پیش احساس می‌شود. این پژوهش با هدف شناسایی اخبار جعلی در بستر سایت‌های خبری و شبکه‌های اجتماعی انجام شده است. مسئله اصلی تحقیق ما، تشخیص مؤثر و دقیق اخبار جعلی در میان حجم گسترده‌ای از داده‌های متنی اخبار است. تمرکز اصلی این تحقیق بر بالا بردن دقت دسته‌بندی اخبار جعلی و واقعی می‌باشد. یکی از چالش‌هایی که در این بررسی‌ها وجود دارد، مربوط به برچسب طبقه‌بندی داده‌ها می‌باشد. اکثر داده‌ها در این حوزه شامل طبقه بندی دودویی هستند ولی دیتاستی که ما در این پژوهش استفاده نمودیم شامل چند کلاس می‌باشد که برای طبقه‌بندی چندکلاسه استفاده نموده‌ایم. از دیگر چالش‎‌هایی که در این حوزه وجود دارد، حریم خصوصی و امنیت داده‌ها می‌باشد که ما در این پژوهش دو سناریو را بررسی نموده‌ایم؛ در سناریوی اول که با یادگیری فدرال و شبکه‌های عصبی گرافی بررسی نموده‌ایم مشکل حریم خصوصی و امنیت داده‌ها را حل کردیم و نتایج خوبی را بدست آوردیم و در سناریوی دوم که بحث اصلی پژوهش ما است، به بررسی مدل‌های شبکه‌های عصبی گرافی برای تشخیص و شناسایی اخبار جعلی و واقعی پرداختیم، که هدف ما در این پژوهش بدست آوردن دقت بهتر نسبت به پژوهش‌های پیشین در استفاده از شبکه‌های عصبی گرافی بود. در این سناریو مدل‌های گرافی را بررسی نمودیم، که بهترین نتیجه با دقت 34/97% بوده‌است. که نسبت به سایر مدل‌های شبکه‌های عصبی گرافی که در این پژوهش بررسی شده‌اند عملکرد بهتری داشته‌است.