الأخبار المزيفة هي اليوم مشكلة ملحة، نظرًا لزيادتها الأخيرة كتهديد محتمل للصحافة ذات الجودة العالية والنقاش العام المُستنير. تم تنظيم تحدي الأخبار المزيفة (FNC-1) في عام 2017 لتشجيع تطوير أنظمة تصنيف قائمة على التعلم الآلي لاكتشاف موقف الخبر (أي تحديد ما إذا كان مقال إخباري معين يوافق أو يعارض أو يناقش أو ليس له صلة بعنوان خبر إخباري معين)، مما يساعد في اكتشاف وتحليل حالات محتملة من الأخبار المزيفة. يقدم هذا المقال نهجًا جديدًا لمعالجة مشكلة اكتشاف الموقف، يستند إلى الجمع بين خصائص التشابه النصي وهندسة عصبية عميقة تستفيد من الأفكار التي تم تقديمها سابقًا في سياق تعلم تمثيلات النص الفعالة، تصنيف الوثائق، والاستدلال اللغوي الطبيعي. بشكل خاص، نستخدم شبكات عصبية متكررة ثنائية الاتجاه، مع استخدام التجميع الأقصى على البعد الزمني/التتابعي والانتباه العصبي، لتمثيل (أ) العنوان، (ب) الجملتين الأولى والثانية من المقال الإخباري، و(ج) المقال الإخباري بأكمله. يتم بعد ذلك دمج هذه التمثيلات/مقارنتها وإضافة خصائص التشابه المستوحاة من نهج FNC-1 الأخرى، ثم تمريرها إلى طبقة أخيرة تتنبأ بموقف المقال تجاه العنوان. كما نستكشف استخدام مصادر المعلومات الخارجية، وبشكل خاص قواعد بيانات كبيرة من أزواج الجمل التي تم اقتراحها في الأصل لتدريب وتقييم طرق الاستدلال اللغوي الطبيعي، وذلك بهدف تدريب مسبق لمكونات محددة من هندسة الشبكة العصبية (مثل شبكات RNN المستخدمة لتشفير الجمل). تؤكد النتائج المتحصلة على فعالية الأفكار المقترحة وتظهر أن نموذجنا، خاصة عند النظر في التدريب السابق والجمع بين التمثيلات العصبية وخواص التشابه، يتفوق قليلاً على الحالة السابقة لأفضل التقنيات المعروفة (state-of-the-art).