Este artículo propone un método para aprovechar los grafos de conocimiento (GC) con el fin de mejorar el rendimiento de un sistema automatizado de verificación de datos para la COVID-19 en indonesio. Para superar las limitaciones de los sistemas existentes de verificación de datos basados en la inferencia del lenguaje natural (NLI), presentamos una arquitectura de modelo compuesta por tres módulos: un módulo de hechos, un módulo de NLI y un módulo clasificador. El módulo de hechos procesa la información de los GC, mientras que el módulo de NLI procesa la relación semántica entre las premisas y las hipótesis dadas. Los vectores de representación de ambos módulos se concatenan y se introducen en el módulo clasificador para generar el resultado final. El modelo se entrenó utilizando el conjunto de datos de verificación de datos de la COVID-19 en Indonesia y el KG de la COVID-19 en Bahasa Indonesia, alcanzando una precisión de 0,8616, lo que demuestra la eficacia del uso de los GC.
