La rápida propagación de la desinformación pone en peligro la seguridad pública y la estabilidad social. Aunque los métodos de detección basados en aprendizaje profundo han logrado resultados prometedores, su efectividad depende en gran medida de grandes cantidades de datos etiquetados, lo que limita su aplicabilidad en escenarios de recursos limitados. Los enfoques existentes, como la adaptación de dominio y el metaaprendizaje, intentan transferir conocimientos de dominios fuente relacionados, pero a menudo no logran abordar completamente los desafíos de la escasez de datos y los costos de anotación. Además, las estrategias tradicionales de aprendizaje activo suelen centrarse únicamente en la incertidumbre textual, pasando por alto las discrepancias específicas del dominio y el papel crítico de la información afectiva en el contenido de desinformación. Para abordar estos desafíos, este documento propone un marco de aprendizaje activo de doble aspecto con entrenamiento adversarial de dominio (DDT), diseñado para la detección de desinformación en entornos de recursos limitados. El marco integra una estrategia de muestreo de doble aspecto que considera conjuntamente características textuales y afectivas para seleccionar muestras que sean informativas (diversas de los datos etiquetados) e inciertas (cerca de los límites de decisión). Además, se emplea un módulo de entrenamiento adversarial de dominio para extraer representaciones invariables al dominio, mitigando cambios en la distribución entre dominios fuente y objetivo. Los resultados experimentales en múltiples conjuntos de datos de referencia demuestran que DDT supera consistentemente a los métodos de referencia en entornos de recursos limitados, mejorando la robustez y generalización de los modelos de detección de desinformación.