Cet article propose une méthode d'exploitation des graphes de connaissances (GC) afin d'améliorer les performances d'un système automatisé de vérification des faits pour la COVID-19 en indonésien. Afin de surmonter les limites des systèmes de vérification automatique des faits existants basés sur l'inférence en langage naturel (ILN), nous présentons une architecture de modèle composée de trois modules : un module de faits, un module INL et un module de classification. Le module de faits traite les informations des GC, tandis que le module INL traite la relation sémantique entre les prémisses et les hypothèses données. Les vecteurs de représentation des deux modules sont concaténés et intégrés au module de classification pour produire le résultat final. Le modèle a été entraîné à l'aide de l'ensemble de données de vérification des faits sur la COVID-19 indonésienne et du GC COVID-19 en indonésien, atteignant une précision de 0,8616, démontrant l'efficacité de l'utilisation des GC.
