El comportamiento antisocial (ASB), que incluye el trolling y la agresión, socava el discurso constructivo y se intensifica durante períodos de estrés social, como la pandemia de COVID-19. Este estudio tuvo como objetivo examinar el ASB en las redes sociales durante la pandemia de COVID-19 aprovechando un nuevo conjunto de datos anotados y modelos de transformadores de última generación para la detección y clasificación de categorías de ASB. Específicamente, este estudio examinó el ASB dentro de un corpus de referencia de tweets recopilados de Ghana durante un confinamiento de 21 días. Cada tweet fue meticulosamente anotado en categorías de ASB o no ASB, lo que permitió un análisis exhaustivo de los comportamientos en línea. Empleamos tres modelos de lenguaje basados en transformadores de última generación (BERT, RoBERTa y ELECTRA) y comparamos su rendimiento con respecto a modelos de aprendizaje automático tradicionales. Los resultados demuestran que los enfoques basados en transformadores superaron sustancialmente a los modelos de referencia, logrando una alta precisión de detección en tareas de clasificación tanto binaria como multicategoría. RoBERTa destacó en la detección binaria de ASB, alcanzando una precisión del 95.59% y un puntaje F1 del 94.99%, mientras que BERT lideró en clasificación multicategoría, con una precisión del 94.38% y un puntaje F1 del 93.92%. El trolling emergió como el tipo de ASB más prevalente, reflejando la naturaleza polarizadora de las interacciones en línea durante el confinamiento. Este estudio destaca el potencial de los modelos basados en transformadores para detectar diversos comportamientos en línea y enfatiza las implicaciones sociales del ASB durante las crisis. Los hallazgos proporcionan una base para mejorar las herramientas de moderación y fomentar entornos en línea más saludables.