La proliferación de noticias falsas amenaza la integridad de los ecosistemas de información, creando una necesidad apremiante de mecanismos de detección efectivos e interpretables. Los avances recientes en aprendizaje automático, particularmente con modelos basados en transformadores, ofrecen soluciones prometedoras debido a su capacidad superior para analizar patrones de lenguaje complejos. Sin embargo, la implementación práctica de estas soluciones a menudo presenta desafíos debido a sus altos costos computacionales y limitada interpretabilidad. En este trabajo, exploramos el uso de características basadas en contenido para mejorar la explicabilidad y efectividad de la detección de noticias falsas. Proponemos un marco de características integral que abarca características relacionadas con procesos lingüísticos, afectivos, cognitivos, sociales y contextuales. Este marco se evalúa en varios conjuntos de datos públicos en inglés para identificar diferencias clave entre noticias falsas y legítimas. Evaluamos el rendimiento de detección de estas características utilizando varios clasificadores tradicionales, incluidos métodos individuales y de conjunto, y analizamos cómo la reducción de características afecta el rendimiento del clasificador. Nuestros resultados muestran que, si bien los clasificadores tradicionales pueden no igualar completamente a los modelos basados en transformadores, logran resultados competitivos con requisitos computacionales significativamente más bajos. También proporcionamos un análisis de interpretabilidad que destaca las características más influyentes en las decisiones de clasificación. Este estudio demuestra el potencial de características interpretables para construir sistemas de detección de noticias falsas eficientes, explicables y accesibles.