Los usuarios de redes sociales en línea (OSN) están interactuando cada vez más entre sí a través de artículos, comentarios y respuestas. Cuando los mecanismos de control de acceso son débiles o están ausentes, las OSN son percibidas por los atacantes como entornos ricos para influir en las opiniones públicas a través de publicaciones de noticias falsas o influir en transacciones comerciales a través de prácticas como el phishing. Esto ha llevado a un cuerpo de investigación que analiza posibles formas de predecir el comportamiento de los usuarios de OSN utilizando conceptos de ciencias sociales como la conformidad y el efecto de la manada. En este documento, abordamos la pregunta de cómo los sistemas de recomendación social afectan la ocurrencia de URL maliciosas en Facebook, basándonos en la suposición de que no hay diferencias entre los sistemas de recomendación en cuanto a entregar información legítima o perjudicial a los usuarios. A continuación, utilizamos características temporales para construir un marco de predicción con una precisión superior al 75% para predecir aumentos en ciertos comportamientos de grupos de usuarios. Nuestro esfuerzo implica la delimitación de clases de URL, desde URL maliciosas vistas como causantes de daño significativo hasta molestos mensajes de spam y anuncios. Ofrecemos este análisis para comprender mejor las reacciones de los sensores de los usuarios de OSN a diversas categorías de URL maliciosas con el fin de mitigar sus efectos.