Las reacciones adversas a los medicamentos (RAM) son un gran problema de salud pública. Identificar texto que mencione RAM a partir de un gran volumen de datos de redes sociales es importante. Sin embargo, necesitamos abordar dos desafíos para la detección de texto relacionada con RAM de alto rendimiento: el problema del desequilibrio de datos y la necesidad de utilizar simultáneamente información basada en datos e información elaborada a mano. Por lo tanto, proponemos un enfoque llamado aprendizaje activo de múltiples vistas utilizando representaciones documentales específicas del dominio y basadas en datos (MVAL4D), que busca mejorar la capacidad predictiva y aliviar la necesidad de datos etiquetados. Específicamente, se propone un nuevo mecanismo de generación de vistas para generar múltiples vistas al explotar simultáneamente varias representaciones documentales obtenidas mediante ingeniería de características elaboradas a mano y mediante métodos de aprendizaje profundo. Además, a diferencia de estudios anteriores de aprendizaje activo en los que todas las instancias se eligen utilizando el mismo criterio de selección, MVAL4D adopta diferentes criterios (es decir, confianza e informatividad) para seleccionar instancias potencialmente positivas y potencialmente negativas para anotación manual. Los resultados experimentales verifican la efectividad de MVAL4D. El enfoque propuesto puede generalizarse a muchas otras tareas de clasificación de texto. Además, puede ofrecer una base sólida para la tarea de extracción de menciones de RAM y mejorar la viabilidad de monitorear la seguridad de los medicamentos utilizando datos de redes sociales.