Hoy en día, debido a la gran accesibilidad a Internet, las personas buscan y consumen noticias a través de las redes sociales debido a su bajo costo, facilidad de acceso y rápida transmisión de información. El enorme alcance de las aplicaciones de redes sociales en la vida diaria las convierte en fuentes significativas de información. Los usuarios pueden publicar y compartir diferentes tipos de información en todas sus formas con un solo clic. Sin embargo, el costo se vuelve caro y peligroso cuando personas no expertas dicen cualquier cosa sobre cualquier tema. Las noticias falsas están dominando rápidamente la difusión de desinformación al distorsionar las opiniones o conocimientos de las personas para influir en su conciencia y toma de decisiones. Por lo tanto, debemos identificar y prevenir los efectos problemáticos de la información falsificada lo antes posible. En este artículo, realizamos tres experimentos con clasificadores de aprendizaje automático, modelos de aprendizaje profundo y transformadores. En todos los experimentos, nos basamos en el embedding de palabras para extraer características contextuales de los artículos. Nuestros resultados experimentales mostraron que los modelos de aprendizaje profundo superaron a los clasificadores de aprendizaje automático y al transformador BERT en términos de precisión. Además, los resultados mostraron casi la misma precisión entre los modelos LSTM y GRU. Demostramos que al combinar un conjunto de características lingüísticas aumentadas con modelos de aprendizaje automático o profundo, podemos identificar noticias falsas con alta precisión.