L'aumento esponenziale di dati digitali ha trasformato il modo in cui le informazioni vengono analizzate, specialmente nel campo del topic modeling, una tecnica fondamentale per l’estrazione automatica di argomenti da vasti corpora testuali. Questo lavoro di tesi si concentra su un'analisi comparativa tra due tra i più utilizzati algoritmi di topic modeling: la Latent Dirichlet Allocation (LDA), nella sua derivazione STM, uno dei modelli statistici più affermati, e BERTopic, un modello più recente basato su tecniche di embedding e clustering. L'obiettivo è valutare quale dei due approcci si dimostri più efficace nell'analisi di testi brevi, un campo in cui i modelli convenzionali spesso faticano a produrre risultati coerenti e significativi.