Les méthodes existantes de détection des fausses nouvelles visent à classer un article comme vrai ou faux tout en fournissant des explications sur sa véracité, obtenant des performances remarquables. Toutefois, elles reposent souvent sur des rapports de vérification manuelle, ce qui entraîne une couverture limitée des actualités et des délais de démenti importants. Lorsqu’un article n’a pas encore été vérifié ou démenti, des quantités significatives de rapports bruts sont généralement diffusés sur divers médias, contenant ainsi la sagesse des foules pour vérifier la prétention de l’information et expliquer son verdict. Dans cet article, nous proposons un nouveau réseau neuronal CofCED (Coarse-to-fine Cascaded Evidence-Distillation), fondé sur ces rapports bruts, pour la détection explicite des fausses nouvelles, réduisant ainsi la dépendance vis-à-vis des rapports vérifiés. Plus précisément, nous utilisons d’abord un encodeur hiérarchique pour la représentation des textes web, puis développons deux sélecteurs en cascade afin de sélectionner, de manière fine à grossière, les phrases les plus explicatives pour le verdict, à partir des K meilleurs rapports sélectionnés. Par ailleurs, nous construisons deux jeux de données de fausses nouvelles explicites, accessibles publiquement. Les résultats expérimentaux montrent que notre modèle surpasse significativement les méthodes de pointe et génère des explications de haute qualité selon diverses perspectives d’évaluation.