لقد أثارت المعلومات المضللة والأخبار الزائفة تأثيرات ضارة على الأفراد والمجتمعات في السنوات الأخيرة، مما جذب انتباهًا واسعًا إلى مجال كشف الأخبار الزائفة. تركز معظم الخوارزميات الحالية للكشف عن الأخبار الزائفة على استخراج محتوى الأخبار و/أو السياق الخارجي المحيط بها للعثور على إشارات خداعية؛ بينما تتجاهل التفضيلات الداخلية للمستخدم عند اتخاذ قرار نشر خبر زائف أم لا. وقد أظهرت نظرية التحيز التأكيدي أن المستخدم من المرجح أن ينشر خبرًا زائفًا إذا كان يتوافق مع معتقداته أو تفضيلاته الحالية. وتوفر التفاعلات التاريخية والاجتماعية للمستخدمين، مثل منشوراتهم، معلومات غنية حول تفضيلاتهم تجاه الأخبار، وتتمتع بإمكانات كبيرة لتعزيز كشف الأخبار الزائفة. ومع ذلك، تظل الدراسات المتعلقة باستكشاف تفضيلات المستخدمين للكشف عن الأخبار الزائفة محدودة نسبيًا. ولذلك، في هذا البحث، ندرس المشكلة الجديدة المتمثلة في استغلال تفضيلات المستخدمين للكشف عن الأخبار الزائفة. نقترح إطارًا جديدًا يُسمى UPFD، الذي يُمكّن من التقاط إشارات متعددة من تفضيلات المستخدمين من خلال نمذجة محتوى متكاملة ونمذجة الرسوم البيانية. وأظهرت النتائج التجريبية على مجموعات بيانات واقعية فعالية الإطار المقترح. ونُطلق كودنا وبياناتنا كمصدر معياري للكشف عن الأخبار الزائفة المستند إلى الشبكات العصبية الرسومية: https://github.com/safe-graph/GNN-FakeNews.