A nyelvi elemzéshez manuálisan felépítettük a MedCollect korpuszt, amely 2206 (1.259.567 token) egészségügyi témájú szöveget tartalmaz, ebből 1448 (864.472) álhír, 758 (395.095) kontroll szöveg. A MedCollect korpuszba összesen 179 különböző portálról kerültek be a szövegek, a szövegek kb. 90 százaléka 26 portálról. A gyűjtött hírek keletkezési dátuma ennél nagyobb időtartamot ölel fel, a legkorábbi hír 2007-es, de a szövegek 75%-a 2020 utáni.

A MedCollect gyűjteményből az álhírekre jellemző szövegalkotási és mögöttes manipulációs stratégiák feltárásának céljából kézi annotálásra elkülönítettünk 707 (370.300) szöveget,  melyből 322 (182.626) álhír, 385 (187.626) kontroll szöveg.