La propagación de noticias falsas amenaza la confianza tanto en los medios tradicionales como en los digitales. Los métodos de detección temprana, basados en patrones lingüísticos y características elaboradas a mano, tienen dificultades para identificar desinformación más sofisticada. Los modelos de lenguaje grande (LLMs) ofrecen soluciones prometedoras al capturar patrones textuales complejos, pero persisten desafíos para garantizar su precisión y generalizabilidad. Este estudio evalúa la extracción de características basada en LLM para la detección de noticias falsas a través de múltiples conjuntos de datos. Comparamos representaciones textuales basadas en BERT, introducimos un método para extraer segmentos fácticos de artículos de noticias y creamos dos nuevos conjuntos de datos con características basadas en hechos. Además, exploramos representaciones textuales basadas en grafos utilizando LLM para capturar relaciones dentro del contenido de noticias. Al integrar estos enfoques, mejoramos la detección de noticias falsas, haciéndola más precisa e interpretable. Nuestros hallazgos proporcionan información sobre cómo los LLM y las técnicas basadas en grafos pueden mejorar la detección de desinformación.