في الوقت الحاضر، تنتشر الأخبار الزائفة بسهولة عبر الشبكات الاجتماعية الإلكترونية، وتُمثّل تهديدًا كبيرًا للأفراد والمجتمعات. يُعد تقييم صحة الأخبار تحديًا كبيرًا بسبب محتواها المُعدّ بعناية، مما يجعل من الصعب الحصول على تسميات واسعة النطاق للبيانات المتعلقة بالأخبار الزائفة. ونتيجة لمشكلة نقص البيانات، يميل كشف الأخبار الزائفة إلى الفشل أو التعلّم الزائد (overfitting) في البيئة المراقبة. في الآونة الأخيرة، تم اعتماد الشبكات العصبية الرسومية (GNNs) للاستفادة من المعلومات العلاقاتية الغنية بين العناصر المُسمّاة وغير المُسمّاة. وعلى الرغم من النتائج الواعدة التي حققتها، فإنها تركز بشكل جوهري على العلاقات الثنائية بين الأخبار، ما قد يحد من قدرتها التعبيرية في كشف الأخبار الزائفة التي تنتشر على مستوى جماعي. على سبيل المثال، يمكن أن يكون كشف الأخبار الزائفة أكثر فعالية إذا تم فهم أفضل للعلاقات بين محتويات الأخبار التي يتم مشاركتها بين مستخدمين عرضة للتأثر. لمعالجة هذه المشكلات، نقترح استخدام رسم بياني فائق (Hypergraph) لتمثيل التفاعل الجماعي بين الأخبار، مع التركيز على العلاقات المهمة بين الأخبار من خلال آلية انتباه ثنائية المستوى. أظهرت التجارب التي أُجريت على مجموعتي بيانات معياريّتين أداءً متميزًا، مع الحفاظ على الأداء العالي حتى عند استخدام مجموعة صغيرة من الأخبار المُسمّاة.