La detección de noticias falsas ha surgido como un área crucial de investigación debido a su potencial impacto en la sociedad. En este estudio, proponemos una metodología robusta para identificar noticias falsas aprovechando diversos aspectos de la representación del lenguaje e incorporando información auxiliar. Nuestro enfoque se basa en la utilización de Representaciones de Codificadores Bidireccionales de Transformadores (BERT) para capturar conocimiento semántico contextualizado. Además, empleamos una Red Neuronal Convolucional Multicanal (mCNN) integrada con Unidades Recurrentes Gated Bidireccionales apiladas (sBiGRU) para aprender conjuntamente representaciones del lenguaje de múltiples aspectos. Esto permite que nuestro modelo identifique eficazmente pistas valiosas del contenido de las noticias mientras incorpora simultáneamente señales basadas en el contenido y el contexto, como el comportamiento de publicación del usuario, para mejorar la detección de noticias falsas. A través de experimentos extensivos en cuatro conjuntos de datos del mundo real ampliamente utilizados, nuestro marco propuesto demuestra un rendimiento superior (3.59% (PolitiFact), 6.8% (GossipCop), 2.96% (FA-KES) y 12.51% (LIAR), considerando tanto características basadas en el contenido como información auxiliar adicional) en comparación con los enfoques existentes de vanguardia, estableciendo su efectividad en la desafiante tarea de detección de noticias falsas.