Las reseñas de juegos influyen en gran medida en la percepción pública. La retroalimentación de los usuarios es crucial para los desarrolladores, ofreciendo información valiosa para mejorar la calidad del juego. En esta investigación, se analizaron las reseñas de juegos de Metacritic para Elden Ring mediante modelado de temas utilizando Asignación de Dirichlet Latente (LDA), Representaciones de Codificadores Bidireccionales de Transformadores (BERT) y un modelo híbrido que combina ambos para identificar métodos efectivos para extraer temas subyacentes en la retroalimentación de los jugadores. Analizamos e interpretamos las salidas de estos modelos para aprender de las reseñas de juegos. Nuestro objetivo era identificar las diferencias, similitudes y variaciones entre los tres para determinar cuál proporcionaba información más valiosa e instructiva. Nuestros hallazgos indican que cada método identificó con éxito palabras clave con algunas similitudes en las palabras identificadas. El modelo LDA tuvo la puntuación de silueta más alta, lo que indica la agrupación más distinta. El modelo LDA-BERT tuvo una puntuación de coherencia un 1% más alta que LDA, lo que indica temas más significativos.