تهدف الطرق الحالية للكشف عن الأخبار الزائفة إلى تصنيف خبر ما على أنه صحيح أو كاذب، مع تقديم تفسيرات حول مدى صحته، وقد حققت أداءً ملحوظًا. ومع ذلك، فإنها غالبًا ما تُصمم حلولًا آلية بناءً على تقارير التحقق من الحقائق التي تم التحقق منها يدويًا، ما يُعرّضها لقيود في تغطية الأخبار وتأخير في التصحيح. عند عدم توفر تحقق يدوي أو تصحيح لخبر ما، يُنشر عادةً عدد من التقارير الأولية ذات الصلة عبر منصات إعلامية مختلفة، والتي تحتوي على "حكمة الجماعة" التي يمكن استخدامها للتحقق من صحة هذا الخبر وشرح النتيجة. في هذه الورقة، نقترح شبكة عصبية جديدة تُسمى CofCED (Coarse-to-fine Cascaded Evidence-Distillation)، أي الاستخلاص التدريجي للدليل من مستوى خشن إلى دقيق، للكشف عن الأخبار الزائفة مع إمكانية التفسير، معتمدة على هذه التقارير الأولية، مما يقلل الاعتماد على التقارير التي تم التحقق منها يدويًا. وبشكل محدد، نستخدم أولًا مُشفرًا هرميًا لتمثيل النصوص من الإنترنت، ثم نطور اثنين من مُختارين متسلسلين (Cascaded Selectors) لاختيار الجمل الأكثر قابلية للتفسير لاتخاذ القرار بشأن الخبر، وذلك على أساس التقارير العُليا المختارة (Top-K) بطريقة من الخشنة إلى الدقيقة. بالإضافة إلى ذلك، قمنا ببناء مجموعتي بيانات للأخبار الزائفة قابلة للتفسير، وهما متاحة للجمهور. أظهرت النتائج التجريبية أن نموذجنا يتفوق بشكل ملحوظ على النماذج الحالية الأفضل، ويُنتج تفسيرات عالية الجودة من زوايا تقييم متنوعة.