La détection des fausses nouvelles (FND) constitue un domaine essentiel du traitement du langage naturel, visant à identifier et à vérifier la véracité des affirmations majeures contenues dans un article d’actualité afin d’évaluer sa fiabilité. La FND trouve des applications cruciales dans la prévention des dommages sociaux, politiques et nationaux causés par la distortion des faits, pouvant nuire à certaines catégories de la société. Par ailleurs, avec l’explosion de la diffusion des fausses nouvelles sur les réseaux sociaux, incluant à la fois des contenus textuels et visuels, il devient impératif de détecter ces informations erronées de manière plus rapide et plus précise. Pour répondre à ce défi, ce travail explore une nouvelle approche multimodale basée sur un ensemble empilé (SEMIFND) pour la détection des fausses nouvelles. Une attention particulière est portée à assurer des performances rapides avec un nombre réduit de paramètres. En outre, pour améliorer les performances multimodales, une analyse profonde unimodale est menée sur le modalité visuelle, permettant d’identifier NasNet Mobile comme le modèle le plus adapté à cette tâche. Pour le traitement du texte, un ensemble combinant BERT et ELECTRA est adopté. L’approche a été évaluée sur deux jeux de données : Twitter MediaEval et Weibo Corpus. Le cadre proposé a atteint des taux de précision de 85,80 % sur le jeu de données Twitter et de 86,83 % sur celui de Weibo. Ces résultats s’avèrent supérieurs à ceux obtenus par des travaux récents similaires. Par ailleurs, nous rapportons une réduction significative du nombre de paramètres utilisés pendant l’entraînement, par rapport aux travaux récents pertinents. SEMI-FND offre une réduction globale des paramètres d’au moins 20 %, avec une réduction unimodale de 60 % pour le traitement du texte. En conclusion, les résultats présentés démontrent que l’application d’un ensemble empilé améliore de manière significative la détection des fausses nouvelles par rapport aux approches existantes, tout en augmentant la vitesse d’exécution.