El uso negativo de las redes sociales durante la pandemia de COVID-19 ha resaltado la importancia de entender la propagación de la desinformación y la toxicidad en las discusiones públicas en línea. En este artículo, proponemos un nuevo método no supervisado para descubrir la estructura de las conversaciones en línea relacionadas con COVID-19. Nuestro método entrena un modelo oculto de Markov (HMM) de nueve estados, inicializado a partir de un bicluster de 23 características extraídas de mensajes en línea. Aplicamos nuestro método a 16,000 conversaciones (1.5 millones de mensajes) que tuvieron lugar en las páginas de Facebook de 15 periódicos canadienses tras artículos de noticias sobre COVID-19, y mostramos que puede extraer efectivamente la estructura de la conversación y descubrir los principales temas de los mensajes. Además, demostramos cómo el algoritmo de PageRank y el gráfico de conversación descubierto pueden ser utilizados para simular el impacto de cinco diferentes estrategias de moderación, lo que hace posible desarrollar y probar fácilmente nuevas estrategias para limitar la propagación de mensajes dañinos. Aunque nuestro trabajo en este artículo se centra en la pandemia de COVID-19, la metodología es lo suficientemente general como para aplicarse a la gestión de comunicaciones durante futuras pandemias y otras crisis, o para desarrollar mejores prácticas para la moderación de comunidades en línea en general.