El uso de las redes sociales es cotidiano para la mayoría de los usuarios de internet, aunque en éstas se presentan diferentes situaciones de riesgo que pueden afectarlos fuertemente. Muchas de estas situaciones podrían ser evitadas si se consideran mecanismos de filtrado o moderación, sin embargo, es difícil dado el contenido masivo que se encuentra en las redes sociales. Para atacar lo anterior, actualmente se han desarrollado diversos métodos que permiten detectar contenido en el que los usuarios muestren algún tipo de síntoma de alguna enfermedad mental así como de conductas ofensivas, sin embargo, dichos mecanismos son aplicables para detección (cuando algo ya pasó), no para prevención (cuando algo aún no ocurre). Considerando lo dicho, en este trabajo se propone el desarrollo de métodos basados en redes neuronales que sean útiles para la clasificación o detección temprana de situaciones de riesgo en redes sociales usando texto. Para ello se hace uso de diversos enfoques en el manejo del texto al momento de alimentar las redes neuronales durante las fases de entrenamiento o prueba. Además de que únicamente se utiliza la característica cronológica del texto, por lo que se tiene la ventaja de que los modelos creados son independientes de características específicas de un problema en concreto. Así mismo, se adapta y explora el uso de una nueva función de pérdida en las redes neuronales, de modo que se fomente la clasificación temprana usando poca información. Los resultados obtenidos muestran diferentes desempeños con la función de pérdida propuesta al usar diferentes enfoques al momento de alimentar la red, sin embargo, se obtienen métricas favorables en los casos de alimentación de la red con cronologías secuenciales de palabras o embeddings promedio de pedazos, es decir, se logra clasificar correctamente de manera temprana.