Durante desastres naturales, las plataformas de redes sociales, como X (anteriormente Twitter), se convierten en una fuente valiosa de información en tiempo real, con testigos y personas afectadas publicando mensajes sobre los daños producidos y las víctimas. Aunque esta información puede ser utilizada para agilizar el proceso de intervención de las autoridades locales y lograr una mejor distribución de los recursos disponibles, anotar manualmente estos mensajes a menudo es inviable debido a limitaciones de tiempo y costo. Para abordar este desafío, exploramos el uso del aprendizaje semi-supervisado, una técnica que aprovecha tanto datos etiquetados como no etiquetados, para mejorar los modelos neuronales para la clasificación de tweets sobre desastres. Específicamente, investigamos modelos de aprendizaje semi-supervisado de vanguardia y nos enfocamos en el co-entrenamiento, un enfoque menos explorado en los últimos años. Además, proponemos una nueva arquitectura híbrida de co-entrenamiento, Multihead Average Pseudo-Margin, que obtiene resultados de vanguardia en varias tareas de clasificación. Nuestro enfoque extiende las ventajas del mecanismo de votación del Multihead Co-Training al utilizar la puntuación de Average Pseudo-Margin (APM) para mejorar la calidad de las pseudo-etiquetas y los umbrales de confianza auto-adaptativos para mejorar la clasificación desbalanceada. Nuestro método logra hasta un 7.98% de mejora en precisión en escenarios de pocos datos y un 2.84% de mejora al utilizar todo el conjunto de datos etiquetados, alcanzando un 89.55% de precisión en la tarea Humanitaria y un 91.23% en la tarea Informativa. Estos resultados demuestran el potencial de nuestro enfoque para abordar la necesidad crítica de clasificación automatizada de tweets sobre desastres. Hicimos nuestro código disponible públicamente para futuras investigaciones.