Nie jest tajemnicą, że platformy mediów spolecznościowych rozprzestrzeniają się w bezprecedensowym tempie, a wraz z coraz powszechniejszym dostępem do Internetu, rozpowszechnianie falszywych wiadomości stalo się szybkim i latwym procesem. Konsekwencje tego zjawiska są glębokie, szczególnie w sferze polityki i edukacji, gdzie wplyw falszywych wiadomości może byc znacząco destrukcyjny.W tym badaniu wykorzystamy przetwarzanie języka naturalnego (NLP) do przeksztalcania tekstowych naglówków wiadomości w wektory liczbowe. Zbadaliśmy i porównaliśmy dwie metody NLP, Bag of Words (BoW) i Term Frequency-Inverse Document Frequency (TF-IDF), aby zobaczyc, jak dobrze dzialają przy użyciu różnych algorytmów ML do identyfikacji falszywych wiadomości.Będziemy używac kilku algorytmów klasyfikacji uczenia maszynowego, w tym Naïve Bayes, regresji logistycznej, Random Forest i Support Vector Machine. Naszym celem bylo zidentyfikowanie najskuteczniejszej techniki NLP do identyfikacji falszywych wiadomości.