Este estudio explora la aplicación de modelos de lenguaje basados en transformadores para la Clasificación de Temas automatizada en conjuntos de datos cualitativos de entrevistas realizadas en griego moderno. Las entrevistas capturaron las opiniones de padres, maestros y directores de escuela sobre la Enseñanza Remota de Emergencia. Identificar los temas clave en este tipo de entrevistas es crucial para la toma de decisiones informadas en políticas educativas. Cada conjunto de datos fue segmentado en oraciones y etiquetado con uno de cuatro temas. El conjunto de datos estaba desbalanceado, presentando una complejidad adicional para la tarea de clasificación. El modelo GreekBERT fue ajustado para la Clasificación de Temas, con un preprocesamiento que incluía la eliminación de acentos, la conversión a minúsculas y la tokenización. Los hallazgos revelaron la efectividad de GreekBERT para lograr un rendimiento equilibrado en todos los temas, superando a los modelos de aprendizaje automático convencionales. La métrica de evaluación más alta alcanzada fue un macro-F1-score de 0.76, promediado en todas las clases, destacando la efectividad del enfoque propuesto. Este estudio contribuye con lo siguiente: (i) conjuntos de datos que capturan diversas perspectivas de la comunidad educativa en griego moderno, (ii) una evaluación comparativa de modelos de ML convencionales frente a modelos basados en transformadores, (iii) una investigación sobre cómo el lenguaje específico del dominio mejora el rendimiento y la precisión de los modelos de Clasificación de Temas, mostrando su efectividad en conjuntos de datos especializados y los beneficios de un GreekBERT ajustado para tales tareas, y (iv) capturando las complejidades de la ERT a través de una investigación empírica de las relaciones entre los temas extraídos y las variables relevantes. Estas contribuciones ofrecen soluciones confiables y escalables para los responsables de políticas, permitiendo políticas educativas basadas en datos para abordar los desafíos del aprendizaje remoto y mejorar la toma de decisiones basada en evidencia cualitativa integral.