En el contexto de la creciente propagación de desinformación a través de los servicios de redes sociales, en este estudio abordamos el desafío crítico de detectar y explicar la propagación de noticias falsas. Los métodos de detección temprana se centraron en el análisis de contenido, mientras que enfoques recientes han explotado los patrones distintivos de propagación de noticias falsas para analizar los gráficos de redes de intercambio de noticias. Sin embargo, estos métodos precisos carecen de responsabilidad y ofrecen poca visión sobre el razonamiento detrás de sus clasificaciones. Nuestro objetivo fue llenar este vacío elucidando las diferencias estructurales en la propagación de noticias falsas y reales, con un enfoque en el consenso de opiniones dentro de estas estructuras. Presentamos un método novedoso que mejora la interpretabilidad de los detectores de propagación basados en gráficos al visualizar temas de artículos y estructuras de propagación utilizando BERTopic para clasificación de temas y analizando el efecto del acuerdo de temas en los patrones de propagación. Al aplicar este método a un conjunto de datos del mundo real y realizar un estudio de caso exhaustivo, no solo demostramos la efectividad del método para identificar caminos de propagación característicos, sino que también proponemos nuevas métricas para evaluar la interpretabilidad de los métodos de detección. Nuestros resultados proporcionan información valiosa sobre el comportamiento estructural y los patrones de propagación de noticias, contribuyendo al desarrollo de sistemas de detección de noticias falsas más transparentes y explicativos.