Heute verbreitet sich gefälschte Nachrichten leicht über Online-Sozialnetzwerke und stellt eine erhebliche Bedrohung für Individuen und die Gesellschaft dar. Die Authentizität von Nachrichten zu bewerten, ist aufgrund der kunstvoll konstruierten Inhalte herausfordernd, was die Erstellung großskaliger Annotationen für gefälschte Nachrichtendaten erschwert. Aufgrund dieser Datenknappheit neigt die Erkennung von gefälschten Nachrichten im überwachten Lernansatz oft zu Fehlern und Überanpassung. Kürzlich wurden Graphen-neuronale Netze (GNNs) eingesetzt, um die reichhaltigere relationale Information sowohl zwischen annotierten als auch nicht annotierten Instanzen auszunutzen. Trotz ihrer vielversprechenden Ergebnisse konzentrieren sie sich inhärent auf Paarbeziehungen zwischen Nachrichten, was die Ausdruckskraft zur Erfassung von gefälschten Nachrichten, die sich in Gruppen verbreiten, einschränken kann. Beispielsweise kann die Erkennung von gefälschten Nachrichten effektiver sein, wenn wir die Beziehungen zwischen Nachrichten besser verstehen, die unter anfälligen Nutzern geteilt werden. Um diese Probleme anzugehen, schlagen wir vor, einen Hypergraphen zur Darstellung von gruppenweisen Interaktionen zwischen Nachrichten zu nutzen, wobei wir gleichzeitig mit einem dualen Aufmerksamkeitsmechanismus wichtige Nachrichtenbeziehungen hervorheben. Experimente auf zwei etablierten Datensätzen zeigen, dass unser Ansatz bemerkenswerte Leistung erzielt und auch bei einer kleinen Teilmenge annotierter Nachrichtendaten eine hohe Stabilität der Performance aufrechterhält.