Trong bối cảnh thông tin trực tuyến lan truyền với tốc độ nhanh và phạm vi rộng, tin giả trở thành thách thức nghiêm trọng đối với an ninh thông tin và tính tin cậy của các nền tảng số. Các phương pháp phát hiện truyền thống dựa trên phân tích nội dung hoặc mô hình lan truyền thường gặp hạn chế khi xử lý dữ liệu quy mô lớn, đa dạng và thiếu nhãn. Nghiên cứu này đề xuất mô hình phát hiện tin giả dựa trên siêu đồ thị thích ứng (Adaptive Hypergraph-based Fake News Detection - A-HGFND), được mở rộng từ mô hình HGFND gốc với cơ chế gán trọng số siêu cạnh thích ứng, cho phép tự động xác định mức độ quan trọng khác nhau của các mối quan hệ giữa thực thể. Kết quả thực nghiệm trên tập dữ liệu Politifact cho thấy A-HGFND đạt độ chính xác 92,31% và Precision 96,15%, phản ánh khả năng phát hiện tin giả vượt trội với tỷ lệ dương tính giả thấp. Mô hình duy trì hiệu suất ổn định ngay cả trong điều kiện dữ liệu hạn chế và khi đầu vào chứa nhiễu, đồng thời cung cấp khả năng giải thích kết quả thông qua cơ chế attention. Với khoảng 411 nghìn tham số có thể huấn luyện, A-HGFND thể hiện hiệu quả tính toán cao và khả năng mở rộng cho các tập dữ liệu lớn hơn. Tuy nhiên, mô hình vẫn phụ thuộc vào chất lượng xây dựng siêu cạnh và đối mặt với thách thức mới từ nội dung giả sinh bởi AI. Hướng nghiên cứu tương lai sẽ tập trung vào việc phát triển siêu cạnh động, tích hợp dữ liệu đa phương thức, và giảm thiên lệch mô hình, nhằm nâng cao độ tin cậy và mở rộng tính ứng dụng thực tiễn của các mô hình siêu đồ thị trong phát hiện tin giả.