Detectar noticias falsas se ha convertido en un desafío crítico en la sociedad de hoy, llena de información. La investigación existente sobre la detección de noticias falsas enfatiza predominantemente enfoques multimodales, centrándose principalmente en características textuales y visuales. Sin embargo, a pesar de su clara importancia, la integración del contexto social ha recibido una atención limitada en la literatura. Para abordar esta brecha, este estudio propone un novedoso marco de fusión multimodal tridimensional que integra características textuales, visuales y de contexto social para una detección efectiva de noticias falsas en plataformas de redes sociales. La metodología propuesta aprovecha un modelo multitarea avanzado de Vision-and-Language Bidirectional Encoder Representations from Transformers para extraer características de atención fusionadas de texto e imágenes simultáneamente, capturando correlaciones intermodales intrincadas. Experimentos exhaustivos validan la eficacia del enfoque propuesto. Los resultados demuestran que la solución propuesta logra la mayor precisión equilibrada del 77%, superando a otros modelos de referencia. Además, la incorporación de características de contexto social mejora significativamente el rendimiento del modelo. La arquitectura multimodal propuesta también supera a los enfoques de vanguardia, proporcionando un marco robusto y escalable para la detección de noticias falsas utilizando inteligencia artificial. Este estudio contribuye al avance del campo al ofrecer una solución de ingeniería integral y práctica para combatir las noticias falsas.