O campo da Comunicação Política tem cada vez mais incorporado métodos computacionais para o processamento de grandes volumes de dados digitais (Theocharis e Jungherr, 2020). Ainda assim, observa-se a predominância de técnicas clássicas de modelagem de tópicos e análise lexical, como o Latent Dirichlet Allocation (LDA) e a Classificação Hierárquica Descendente (CHD). Embora consolidadas, tais abordagens baseiam-se majoritariamente em representações do tipo bag-of-words e em padrões de coocorrência lexical, o que pode oferecer limitações quando aplicadas a corpora compostos por textos curtos e com alta variação temática, como manchetes jornalísticas e postagens em redes sociais (Qiang et al., 2019). A baixa densidade lexical característica desses formatos limita a capacidade desses modelos de capturar relações semânticas mais variadas, especialmente quando diferentes formulações textuais expressam conteúdos semelhantes.
Diante desse cenário, este artigo propõe a aplicação do BERTopic (Grootendorst, 2022), uma abordagem de modelagem de tópicos baseada em embeddings e arquiteturas transformer, ainda pouco utilizado no campo da Comunicação, sobretudo no contexto brasileiro. Diferentemente dos métodos centrados em frequência e coocorrência de palavras, o BERTopic organiza os textos a partir de sua proximidade semântica em um espaço vetorial multidimensional, oferecendo maior coerência temática mesmo quando há grande diversidade de léxicos (Mahmoud et al., 2022). Ainda que apresente outras limitações, como possíveis barreiras computacionais e dificuldades na interpretação dos tópicos (Grootendorst, 2022), a técnica mostra-se particularmente adequada para a análise de textos curtos e altamente variáveis, como é o caso das manchetes de notícias e tweets.
Como aplicação empírica, o artigo realiza uma análise comparativa das publicações da Revista Oeste e da CartaCapital no X (Twitter) ao longo de 2025. Tratando-se de veículos com orientação ideológica em polos opostos do espectro político, mas com estratégias digitais semelhantes — os tweets de ambos os portais são, em geral, as manchetes das notícias acompanhadas pelo link de acesso ao conteúdo completo —, o objetivo consiste em identificar divergências de agendamento e enquadramento temático através de análise automatizada pelo uso de BERTopic. A escolha do X como fonte de dados decorre tanto da viabilidade da coleta quanto da possibilidade de selecionar conteúdos com maior engajamento. Adota-se, assim, um critério de relevância por engajamento, selecionando as 5.000 postagens de maior engajamento de cada veículo, totalizando um corpus balanceado de 10.000 tweets.
Os resultados indicam que o BERTopic é uma técnica adequada para identificar diferenças de agendamento temático entre os veículos. Observa-se que cada portal apresenta maior destaque para temas de interesses políticos opostos: por exemplo, na Revista Oeste são mais frequentes tópicos relacionados ao Supremo Tribunal Federal, enquanto na CartaCapital há maior presença de conteúdos sobre a prisão de Jair Bolsonaro. Além disso, ao explorar os termos mais presentes em cada tópico para cada veículo, é possível identificar diferenças de enquadramento em temas de disputa ideológica, como a regulação das plataformas digitais e questões relativas a minorias sociais. Assim, articulando exposição metodológica com aplicação empírica, o artigo busca aproximar o campo da Comunicação a metodologias computacionais recentes, ampliando o repertório de técnicas de análise de dados digitais.

GROOTENDORST, Maarten. BERTopic: neural topic modeling with a class-based TF-IDF procedure. arXiv preprint, 11 mar. 2022. DOI: 10.48550/arXiv.2203.05794. Disponível em: https://arxiv.org/abs/2203.05794. Acesso em: 11 fev. 2026.

MAHMOUD, Ashraf F. A. et al. A comparative evaluation of LDA, NMF, and BERTopic: analyzing perplexity and coherence metrics. Ingénierie des Systèmes d’Information (ISI), v. 30, n. 12, p. 3163–3169, 2025. DOI: 10.18280/isi.301208. Disponível em: https://www.iieta.org/journals/isi/paper/10.18280/isi.301208. Acesso em: 11fev. 2026

QIANG, Jipeng; QIAN, Zhenyu; LI, Yun; YUAN, Yunhao; WU, Xindong. Short Text Topic Modeling Techniques, Applications, and Performance: A Survey. arXiv, 13 abr. 2019. Disponível em: https://arxiv.org/abs/1904.07695 . Acesso em: 11 fev. 2026

THEOCHARIS, Yannis; JUNGHERR, Andreas. Computational social science and the study of political communication. Political Communication, v. 38, n. 1–2, p. 1–22, 2021. DOI: 10.1080/10584609.2020.1833121. Disponível em: https://www.tandfonline.com/doi/full/10.1080/10584609.2020.1833121. Acesso em: 11 fev. 2026.