En la era digital, las plataformas de redes sociales han experimentado un aumento sustancial en el volumen de comentarios en línea. Aunque estas plataformas brindan a los usuarios un espacio para expresar sus opiniones, también sirven como terreno fértil para la proliferación de discursos de odio. Los comentarios de odio pueden clasificarse en varios tipos, incluyendo discriminación, violencia, racismo y sexismo, todos los cuales pueden impactar negativamente en la salud mental. Entre estos, el sexismo plantea un desafío significativo debido a sus diversas formas y la dificultad para definirlo, lo que hace que su detección sea compleja. No obstante, detectar y prevenir el sexismo en las redes sociales sigue siendo un problema crítico. Estudios recientes han utilizado modelos de lenguaje como transformers, conocidos por su capacidad para capturar los matices semánticos de los datos textuales. En este estudio, exploramos diferentes modelos de transformers, incluyendo múltiples versiones de RoBERTa (A Robustly Optimized BERT Pretraining Approach), para detectar sexismo. Hipotetizamos que combinar un modelo de lenguaje centrado en el sentimiento con modelos especializados en la detección de sexismo puede mejorar el rendimiento general. Para probar esta hipótesis, desarrollamos dos enfoques. El primero implicó el uso de transformers clásicos entrenados en nuestro conjunto de datos, mientras que el segundo combinó incrustaciones generadas por transformers con un modelo de Long Short-Term Memory (LSTM) para la clasificación. Las salidas probabilísticas de cada enfoque se agregaron a través de varias estrategias de votación para mejorar la precisión de detección. El enfoque LSTM con incrustaciones mejoró el puntaje F1 en un 0,2% en comparación con el enfoque de transformer clásico. Además, la combinación de ambos enfoques confirma nuestra hipótesis, logrando una mejora del 1,6% en el puntaje F1 en cada caso. Determinamos que un puntaje F1 superior a 0,84 mide efectivamente el sexismo. Además, construimos nuestro propio conjunto de datos para entrenar y evaluar los modelos.