Ce n'est un secret pour personne que les plateformes de médias sociaux prolifèrent à un rythme sans précédent et que, l'accès à l'internet devenant de plus en plus omniprésent, la diffusion de fausses nouvelles est devenue un processus rapide et sans effort. Les ramifications de ce phénomène sont profondes, en particulier dans les domaines de la politique et de l'éducation, où l'impact des fausses nouvelles peut être très perturbant.Dans cette étude de recherche, nous utiliserons le traitement du langage naturel (NLP) pour transformer les titres d'information textuels en vecteurs numériques. Nous avons examiné et contrasté deux méthodes de TAL, le sac de mots (BoW) et le Term Frequency-Inverse Document Frequency (TF-IDF), afin de déterminer leurs performances tout en utilisant différents algorithmes d'apprentissage automatique pour identifier les fausses nouvelles.Nous utiliserons plusieurs algorithmes de classification par apprentissage automatique, notamment Naïve Bayes, la régression logistique, Random Forest et Support Vector Machine. Notre objectif est d'identifier la technique NLP la plus efficace pour identifier les fausses nouvelles.