Onderzoeksresultaten bespreken zonder te overdrijven

Je hebt je analyses gedaan, de tabellen staan in je resultatenhoofdstuk, maar zodra je aan de discussie begint klinkt elke zin óf te voorzichtig óf alsof je onderzoek de hele wereld verklaart. Veel studenten voelen precies daar de druk: je moet iets interessants zeggen, maar je mag niet meer beloven dan je steekproef, meetinstrumenten en statistische uitkomsten toelaten. Onderzoeksresultaten bespreken is dus geen herhaling van je SPSS-, Jamovi-, R- of Excel-output. Het is het moment waarop je uitlegt wat de cijfers betekenen binnen jouw onderzoeksvraag, wat ze toevoegen aan bestaande theorie en waar de grenzen van je conclusie liggen. Voor studenten aan Nederlandse en Vlaamse universiteiten is dat vaak extra lastig, omdat scripties en bachelorproeven meestal strak beoordeeld worden op onderbouwing, nuance en aansluiting bij literatuur.

Onderzoeksresultaten bespreken betekent dat je kwantitatieve bevindingen eerlijk vertaalt naar een inhoudelijke interpretatie. Je koppelt p-waarden, effectgroottes en patronen aan je hypothesen en theorie, maar je benoemt ook alternatieve verklaringen, meetgrenzen en de reikwijdte van je steekproef. Zo schrijf je een discussie die overtuigt zonder je bevindingen te overdrijven.

In deze gids

• Hoe begin je met onderzoeksresultaten bespreken zonder te veel te claimen?
• Wat is het verschil tussen resultaten rapporteren en een discussie kwantitatieve resultaten schrijven?
• Hoe kun je statistische resultaten interpreteren zonder de theorie los te laten?
• Hoe koppel je kwantitatieve bevindingen aan hypothesen en onderzoeksvragen?
• Hoe bespreek je beperkingen zonder je hele onderzoek zwak te maken?
• Welke fouten maken studenten vaak bij de discussie van resultaten schrijven?
• Hoe kun je bevindingen niet overdrijven in verschillende vakgebieden?
• Hoe controleer je je discussie voordat je verdergaat?

Hoe begin je met onderzoeksresultaten bespreken zonder te veel te claimen?

Begin met je hoofdbevinding, niet met alle cijfers opnieuw. Noem eerst wat je analyse in relatie tot je onderzoeksvraag laat zien, voeg daarna toe hoe sterk of beperkt die bevinding is. Een goede openingszin van de discussie maakt meteen duidelijk of je hypothese wordt ondersteund, gedeeltelijk wordt ondersteund of niet wordt ondersteund.

Van cijfer naar bewering

De discussie begint vaak mis omdat studenten hun resultatenhoofdstuk herhalen: “De correlatie was r = .32 en p = .018.” Dat cijfer is nuttig, maar het zegt nog niet wat de bevinding betekent. In je discussie vertaal je de statistiek naar een inhoudelijke claim: “De analyse wijst op een zwakke tot matige positieve samenhang tussen studieplanning en tentamencijfer in deze steekproef.”

Statistische significantie betekent dat een gevonden effect onder een gekozen model waarschijnlijk niet alleen door toeval is ontstaan. Effectgrootte betekent hoe groot of betekenisvol het gevonden verschil of verband is. Die twee vallen niet automatisch samen. Een klein effect kan significant zijn in een grote steekproef, terwijl een inhoudelijk relevant effect in een kleine steekproef soms niet significant wordt.

Schrijf daarom nooit alleen “er is een effect”. Zeg wat voor effect je ziet, hoe groot het ongeveer is, bij wie het is gevonden en onder welke onderzoeksopzet.

Een veilige openingsstructuur

Een bruikbare eerste alinea van je discussie kan uit vier zinnen bestaan:

1. Beantwoord je hoofdvraag of hypothese in één inhoudelijke zin.
2. Noem de belangrijkste statistische aanwijzing zonder de volledige tabel te herhalen.
3. Plaats de bevinding naast de theorie of eerdere literatuur.
4. Benoem alvast de belangrijkste grens van de interpretatie.

Bijvoorbeeld: “De resultaten suggereren dat studenten die vaker met een weekplanning werken gemiddeld hogere zelfgerapporteerde studiecontrole ervaren. Dit patroon werd ondersteund door een positieve regressiecoëfficiënt, maar de verklaarde variantie bleef beperkt. De bevinding sluit deels aan bij zelfregulatietheorie, waarin planning wordt gezien als een voorwaarde voor doelgericht studeren. Omdat het onderzoek cross-sectioneel is, kan niet worden vastgesteld of planning leidt tot meer controle of dat studenten met meer controle vaker plannen.”

Die laatste zin maakt je discussie niet zwakker. Ze maakt je conclusie geloofwaardiger.

Wat is het verschil tussen resultaten rapporteren en een discussie kwantitatieve resultaten schrijven?

Resultaten rapporteren betekent dat je objectief weergeeft wat je analyses opleveren. Een discussie kwantitatieve resultaten schrijven betekent dat je uitlegt wat die uitkomsten betekenen voor je onderzoeksvraag, hypothesen, theorie en praktijk. Het resultatenhoofdstuk zegt “wat er gevonden is”; de discussie zegt “hoe we dat verantwoord moeten begrijpen”.

Twee hoofdstukken, twee functies

In een kwantitatieve scriptie of bachelorproef raken resultaten en discussie snel door elkaar. In het resultatenhoofdstuk horen je statistische toetsen, tabellen, gemiddelden, betrouwbaarheidsintervallen en korte feitelijke vaststellingen. Voor structuur in dat hoofdstuk kun je aansluiten bij de aanpak in Structuur van een kwantitatief resultatenhoofdstuk.

De discussie heeft een andere taak. Daar koppel je je resultaten aan de logica van je onderzoek. Je vraagt: ondersteunen de uitkomsten mijn hypothesen? Passen ze bij bestaande theorie? Zijn er onverwachte patronen? Welke alternatieve verklaringen blijven mogelijk?

Een goede scheiding voorkomt dat je discussie een tweede resultatenhoofdstuk wordt. Je hoeft dus niet elke tabel opnieuw te beschrijven. Kies de bevindingen die nodig zijn om je hoofdvraag te beantwoorden.

Zwakke en sterkere versies naast elkaar

Zwakke studentenversie	Sterkere herschrijving
“De p-waarde is significant, dus sociale media hebben invloed op stress.”	“De resultaten laten een statistisch significant positief verband zien tussen socialemediagebruik en gerapporteerde stress, maar door het correlationele ontwerp kan geen causale invloed worden vastgesteld.”
“De hypothese klopt, want de groep met training scoorde hoger.”	“De hypothese wordt ondersteund: deelnemers in de trainingsgroep scoorden gemiddeld hoger dan de controlegroep. De effectgrootte moet echter worden meegewogen om te beoordelen of het verschil ook praktisch relevant is.”
“Er is geen resultaat gevonden.”	“Er werd geen statistisch significant verschil gevonden tussen de groepen. Dit kan betekenen dat het verwachte effect ontbreekt, maar kan ook samenhangen met steekproefgrootte, meetfout of beperkte spreiding in de scores.”
“De theorie is bewezen.”	“De bevindingen zijn consistent met de theorie, maar vormen geen bewijs voor de theorie als geheel. Ze ondersteunen één specifieke verwachting binnen de gekozen steekproef en meetopzet.”

Let vooral op woorden als “bewijst”, “veroorzaakt”, “altijd”, “iedereen” en “duidelijk”. Zulke woorden zijn vaak te sterk voor bachelor- en masterscripties met één dataset.

Formuleringen die nuance geven

Je hoeft je tekst niet onzeker te maken om eerlijk te zijn. Formuleringen als “suggereert”, “wijst erop”, “is consistent met”, “biedt beperkte ondersteuning voor” en “kan samenhangen met” zijn nuttig wanneer je data geen harde causaliteit toelaten.

Gebruik nuance wel precies. “Mogelijk” voor elke zin maakt je discussie vaag. “De resultaten suggereren” is geschikt bij een verband in een observationele studie; “de resultaten laten zien” kan bij een duidelijk groepsverschil binnen een experimentele opzet, zolang je de context benoemt.

Hoe kun je statistische resultaten interpreteren zonder de theorie los te laten?

Statistische resultaten interpreteren doe je door elk cijfer te verbinden met een inhoudelijke verwachting. Je bespreekt niet alleen of een toets significant is, maar ook wat de richting, grootte en onzekerheid van het effect betekenen. Daarna vergelijk je die interpretatie met de theorie en literatuur die je eerder hebt besproken.

De drie lagen van interpretatie

Veel studenten springen van “p < .05” direct naar “mijn hypothese is waar”. Dat is te snel. Een betere interpretatie werkt in drie lagen.

Richting gaat over de vraag of het verband positief, negatief of afwezig is. Grootte gaat over de sterkte van het verschil of verband. Onzekerheid gaat over de marge rond je schatting, bijvoorbeeld via een betrouwbaarheidsinterval.

Neem een psychologievoorbeeld. Een student onderzoekt of slaapkwaliteit samenhangt met concentratie onder eerstejaarsstudenten. Een positieve correlatie van r = .28 met p = .012 suggereert een verband: studenten die beter slapen rapporteren gemiddeld betere concentratie. Maar r = .28 is geen bewijs dat slaapkwaliteit de enige of belangrijkste factor is. Stress, motivatie, werkuren en mentale gezondheid kunnen ook een rol spelen.

Als je theorie stelt dat herstelprocessen aandacht ondersteunen, kun je schrijven dat de bevinding daarmee overeenkomt. Je schrijft niet dat de studie de hele hersteltheorie bewijst.

Stappen om van output naar discussie te gaan

Gebruik een vaste route voordat je begint met schrijven:

1. Noteer per hypothese de richting van het resultaat: positief, negatief, verschil, geen verschil.
2. Voeg de statistische ondersteuning toe: p-waarde, betrouwbaarheidsinterval, effectgrootte of verklaarde variantie.
3. Vertaal het cijfer naar een inhoudelijke zin over je variabelen.
4. Vergelijk de uitkomst met je theoretisch kader en eerdere studies.
5. Benoem één alternatieve verklaring die je ontwerp niet uitsluit.
6. Formuleer wat je resultaat wel, gedeeltelijk of niet ondersteunt.

Voor de technische rapportage van t-toetsen, correlaties en regressies kan de uitleg in APA-rapportage van t-toets, correlatie en regressie helpen. In je discussie gaat het daarna om betekenis, niet om nog meer output.

Theorie als filter, niet als versiering

Theorie hoort niet pas aan het einde van een alinea als losse verwijzing. Ze bepaalt welke interpretatie logisch is. Als je zelfdeterminatietheorie gebruikt, kijk je bijvoorbeeld naar autonomie, competentie en verbondenheid. Als je theory of planned behavior gebruikt, kijk je naar attitudes, normen en ervaren controle.

Een discussie die alleen zegt “dit komt overeen met de literatuur” blijft oppervlakkig. Beter is: “De positieve samenhang tussen ervaren controle en intentie om te sporten past bij de theory of planned behavior, waarin ervaren gedragscontrole een directe voorspeller van intentie is. De beperkte effectgrootte suggereert echter dat attitude en sociale norm mogelijk eveneens nodig zijn om intentie te verklaren.”

Daarmee laat je zien dat je de theorie gebruikt om je resultaat te begrenzen én te begrijpen.

Hoe koppel je kwantitatieve bevindingen aan hypothesen en onderzoeksvragen?

Koppel elke kwantitatieve bevinding aan de hypothese of deelvraag waarvoor de analyse is uitgevoerd. Begin met het verwachte patroon, leg uit wat de analyse liet zien en sluit af met de mate van ondersteuning. Zo voorkom je dat je discussie een losse reeks cijfers wordt.

Hypothesen als kapstok

Je hypothesen zijn geen formaliteit. Ze vormen de kapstok voor je discussie. Als je die kapstok niet gebruikt, krijg je al snel alinea’s die beginnen met “Verder bleek ook…” zonder duidelijke richting.

Stel dat je onderzoeksvraag luidt: “In hoeverre voorspellen werkdruk en autonomie burn-outklachten bij verpleegkundigen in opleiding?” Je hypothesen kunnen zijn dat hogere werkdruk samenhangt met meer klachten en dat meer autonomie samenhangt met minder klachten. In je discussie bespreek je dan niet eerst alle controlevariabelen, maar de twee theoretische verwachtingen.

Voor het scherp krijgen van die relatie tussen doel, deelvragen en hypothesen sluit Onderzoeksdoel, deelvragen en hypothesen als vertakkende structuur goed aan. Een heldere hypotheselogica maakt het later makkelijker om je bevindingen niet te groot te maken.

Voorbeeld uit gezondheidswetenschappen

Een student verpleegkunde onderzoekt medicatietrouw bij oudere patiënten die na ziekenhuisopname thuiszorg krijgen. De verwachting is dat betere ontslagcommunicatie samenhangt met hogere medicatietrouw. De regressieanalyse laat een positief verband zien, maar de verklaarde variantie is laag.

Een overdreven conclusie zou zijn: “Goede communicatie zorgt ervoor dat ouderen hun medicatie correct innemen.” Een betere discussiezin is: “De resultaten suggereren dat duidelijkere ontslagcommunicatie samenhangt met hogere zelfgerapporteerde medicatietrouw, maar het beperkte aandeel verklaarde variantie wijst erop dat ook andere factoren, zoals cognitieve belasting, sociale steun en complexiteit van het medicatieschema, een rol kunnen spelen.”

Hier zie je drie dingen tegelijk: de hypothese wordt besproken, de richting van het resultaat is duidelijk en de claim blijft binnen de grenzen van de analyse.

Niet-significante resultaten serieus nemen

Niet-significante resultaten zijn geen mislukking. Ze vragen om een andere interpretatie. Misschien is er echt geen verband, misschien was je meetinstrument te grof, misschien was je steekproef te klein of misschien werkt het effect alleen bij een subgroep.

Schrijf dus niet: “Er kwam niets uit.” Schrijf liever: “De verwachte samenhang tussen autonomie en burn-outklachten werd niet statistisch significant gevonden. Dit resultaat biedt in deze steekproef geen ondersteuning voor de hypothese. Een mogelijke verklaring is dat de autonomievragen vooral roosterkeuze maten, terwijl de theorie ook klinische beslisruimte bedoelt.”

Dat is veel sterker dan doen alsof alleen significante resultaten bespreekbaar zijn. Juist bij niet-significante uitkomsten laat je zien of je statistische resultaten interpreteren beheerst.

Hoe bespreek je beperkingen zonder je hele onderzoek zwak te maken?

Beperkingen bespreek je door precies te zeggen welk onderdeel van je ontwerp de interpretatie begrenst. Een beperking is geen excuus, maar een aanwijzing voor hoe ver je conclusie mag reiken. Goede beperkingen gaan over steekproef, meting, onderzoeksontwerp, analysekeuzes en generaliseerbaarheid.

Beperkingen als afbakening

Studenten zijn vaak bang dat beperkingen hun scriptie onderuit halen. Het omgekeerde is meestal waar: een discussie zonder beperkingen klinkt ongeloofwaardig. Beperkingen tonen dat je begrijpt wat je data wel en niet kunnen dragen.

Generaliseerbaarheid betekent de mate waarin je resultaten waarschijnlijk ook gelden buiten je onderzochte steekproef. Een steekproef van 84 studenten van één opleiding kan bruikbaar zijn voor je onderzoeksvraag, maar je kunt daaruit niet concluderen dat “Nederlandse studenten” of “Vlaamse jongeren” in het algemeen hetzelfde patroon laten zien.

Interne validiteit gaat over de vraag of je ontwerp een causale interpretatie ondersteunt. Een cross-sectionele vragenlijst meet alles op één moment. Daarmee kun je verbanden vaststellen, maar meestal geen volgorde in de tijd.

Beperking plus gevolg

Een beperking werkt het best als je steeds twee delen schrijft: wat is de beperking, en wat betekent die voor de interpretatie?

Zwak: “Een beperking is dat de steekproef klein was.”

Sterker: “De steekproef was relatief klein en bestond uit studenten van één opleiding. Daardoor moeten vooral de subgroepanalyses voorzichtig worden geïnterpreteerd en is generalisatie naar andere opleidingen beperkt.”

Zwak: “Er is gebruikgemaakt van zelfrapportage.”

Sterker: “Omdat stress en slaapkwaliteit via zelfrapportage zijn gemeten, kunnen responsbias en gedeelde meetmethode het verband hebben versterkt. De resultaten zeggen daarom vooral iets over gerapporteerde ervaringen, niet over objectief gemeten slaapduur of fysiologische stress.”

Een beperking krijgt pas waarde wanneer je uitlegt welk deel van je conclusie erdoor wordt begrensd.

Aanbevelingen die uit beperkingen volgen

Aanbevelingen horen logisch voort te komen uit je bevindingen en beperkingen. Als je studie cross-sectioneel is, kun je vervolgonderzoek met longitudinale metingen voorstellen. Als je meetinstrument beperkt is, kun je een gevalideerde schaal of combinatie met observatiedata aanraden.

Vermijd aanbevelingen die groter zijn dan je onderzoek. Na één enquête onder 120 studenten is “universiteiten moeten hun hele onderwijsbeleid aanpassen” meestal te breed. Beter is: “Opleidingen kunnen in kleinschalige pilots onderzoeken of planningsinterventies studenten met lage ervaren controle ondersteunen.”

Zo blijft de stap van resultaat naar praktijk voorstelbaar.

Welke fouten maken studenten vaak bij de discussie van resultaten schrijven?

Bij de discussie van resultaten schrijven gaan studenten vaak de mist in door causaliteit te claimen, significantie te verwarren met belang, theorie alleen te noemen als versiering of niet-significante resultaten weg te stoppen. De oplossing is telkens dezelfde: koppel je claim aan je ontwerp, effectgrootte, meetwijze en onderzoeksvraag. Dan wordt je discussie scherper zonder harder te klinken dan je data toelaten.

Vier herkenbare fouten

1. Causaliteit claimen bij een correlationeel ontwerp
   Studentvoorbeeld: “Instagramgebruik veroorzaakt een lager zelfbeeld bij jongeren.”
   Correctie: “Instagramgebruik hangt in deze steekproef samen met lager zelfgerapporteerd zelfbeeld. Omdat beide variabelen op hetzelfde moment zijn gemeten, blijft de richting van het verband onzeker.”

2. Significant verwarren met praktisch belangrijk
   Studentvoorbeeld: “Het verschil is significant, dus de training werkt goed.”
   Correctie: “Het verschil is statistisch significant, maar de effectgrootte is klein. De praktische betekenis van de training moet daarom voorzichtig worden beoordeeld.”

3. De theorie alleen herhalen zonder toepassing
   Studentvoorbeeld: “Volgens de theorie is motivatie belangrijk. Dit onderzoek bevestigt dat.”
   Correctie: “De positieve samenhang tussen autonome motivatie en studie-inzet past bij de verwachting dat gedrag sterker volgehouden wordt wanneer studenten het als zelfgekozen ervaren.”

4. Niet-significante resultaten negeren
   Studentvoorbeeld: “Hypothese 2 was niet significant en wordt daarom niet besproken.”
   Correctie: “De verwachte samenhang werd niet gevonden. Dat resultaat is relevant, omdat het suggereert dat de theoretische verwachting in deze steekproef of met deze operationalisering geen ondersteuning kreeg.”

5. Een beperkte steekproef te breed maken
   Studentvoorbeeld: “Deze resultaten gelden voor werknemers in Nederland.”
   Correctie: “De resultaten zijn gebaseerd op jonge werknemers in de retailsector en moeten daarom voorzichtig worden toegepast op andere sectoren of leeftijdsgroepen.”

Signaalwoorden die je moet controleren

Zoek in je conceptdiscussie naar woorden die je claim vaak te sterk maken: “bewijst”, “veroorzaakt”, “altijd”, “nooit”, “iedereen”, “de belangrijkste factor”, “volledig verklaart” en “heeft direct effect op”. Soms zijn ze terecht, bijvoorbeeld bij een goed opgezet experiment met duidelijke manipulatie. In veel scripties en bachelorproeven zijn ze te hard.

Vervang ze door woorden die je ontwerp respecteren: “hangt samen met”, “is geassocieerd met”, “lijkt te passen bij”, “biedt ondersteuning voor”, “kan mede worden verklaard door” of “wijst in de richting van”. Die formuleringen zijn niet zwak; ze zijn precies.

Hoe kun je bevindingen niet overdrijven in verschillende vakgebieden?

Je kunt bevindingen niet overdrijven door per vakgebied te kijken welke claims je methode wel ondersteunt. In psychologie en sociale wetenschappen gaat het vaak om verbanden tussen gedrag en ervaringen; in gezondheidswetenschappen om uitkomsten binnen een specifieke populatie; in onderwijs of management om effecten binnen een concrete context. Dezelfde statistiek vraagt dus per discipline om een andere inhoudelijke begrenzing.

Sociale wetenschappen en psychologie

In een psychologiepaper over de relatie tussen perfectionisme en faalangst bij eerstejaarsstudenten kan een regressieanalyse laten zien dat perfectionisme een significante voorspeller is. Een te sterke conclusie is: “Perfectionisme leidt tot faalangst.” Een betere conclusie is: “Hogere perfectionismescores hangen samen met hogere faalangstscores, wat past bij theorieën waarin hoge persoonlijke standaarden en zelfkritiek kwetsbaarheid voor evaluatieangst vergroten.”

Als je meerdere voorspellers hebt, bespreek dan ook relatieve bijdrage. Misschien blijft perfectionisme significant na controle voor geslacht en studiejaar, maar verklaart het model slechts een beperkt deel van de variantie. Dan schrijf je niet dat faalangst “vooral door perfectionisme” wordt verklaard.

Gezondheidswetenschappen en verpleegkunde

In een verpleegkundig onderzoek naar valangst bij ouderen kan een vragenlijst aantonen dat eerdere valincidenten samenhangen met hogere valangst. Dat is inhoudelijk relevant, maar de meting kan zelfrapportage bevatten en de steekproef kan uit één thuiszorgorganisatie komen.

Een voorzichtige bespreking luidt: “De bevinding ondersteunt het idee dat eerdere valervaringen een rol spelen in ervaren valangst bij thuiswonende ouderen. Door de afbakening tot één regio en het gebruik van zelfrapportage blijft onduidelijk in hoeverre hetzelfde patroon geldt voor ouderen in intramurale zorg of voor objectief gemeten mobiliteitsproblemen.”

Hier wordt de praktijkwaarde niet weggepoetst. De student laat alleen zien waar de grens ligt.

Onderwijs, business en management

In onderwijskunde kan een student onderzoeken of formatieve feedback samenhangt met motivatie in het hoger onderwijs. Als studenten die meer feedback ervaren ook hoger scoren op motivatie, mag je niet automatisch zeggen dat feedback motivatie verhoogt. Misschien vragen gemotiveerde studenten vaker om feedback.

In business of management kan een bachelorproef kijken naar thuiswerkfrequentie en werktevredenheid bij medewerkers van één consultancybedrijf. Een significant verband kan interessant zijn, maar zegt nog niet dat thuiswerkbeleid in alle organisaties hetzelfde effect heeft. Organisatiecultuur, functie-eisen en autonomie kunnen het verband veranderen.

De kunst is om steeds te vragen: geldt mijn claim voor mijn data, mijn populatie, mijn meetinstrument en mijn ontwerp?

Hoe controleer je je discussie voordat je verdergaat?

Controleer je discussie door elke interpretatie terug te leggen naast je analyse, hypothese, theorie en beperking. Als een zin niet door die vier onderdelen wordt gedragen, moet je haar afzwakken, onderbouwen of schrappen. Een laatste controle voorkomt dat je resultatenhoofdstuk en discussie elkaar tegenspreken.

Mini-audit van je tekst

Lees je discussie één alinea per keer. Zet in de kantlijn welke bevinding centraal staat, welke theorie erbij hoort en welke grens je noemt. Als je geen concrete bevinding kunt aanwijzen, is de alinea waarschijnlijk te algemeen.

Controleer ook of je volgorde logisch is. Meestal werkt deze volgorde goed: hoofdbevinding, vergelijking met hypothese, koppeling aan theorie, mogelijke verklaring, beperking, implicatie. Niet elke alinea hoeft alle elementen te bevatten, maar je hoofdbevindingen verdienen wel deze volledige behandeling.

Als je nog twijfelt over de keuze van je toets, kan Beslisroute voor het kiezen van een statistische toets helpen om te controleren of je interpretatie past bij je analyse. Een verkeerde toets leidt namelijk vaak tot een discussie die inhoudelijk wankelt.

Before you move on: checklist voor onderzoeksresultaten bespreken

• Ik heb mijn hoofdvraag of hypothesen expliciet beantwoord.
• Ik herhaal niet alle tabellen, maar bespreek de belangrijkste bevindingen.
• Ik benoem richting, grootte en onzekerheid van mijn resultaten.
• Ik maak onderscheid tussen statistische significantie en praktische relevantie.
• Ik claim geen causaliteit als mijn onderzoeksopzet dat niet ondersteunt.
• Ik koppel elke hoofdbevinding aan theorie of eerdere literatuur.
• Ik bespreek ook niet-significante of onverwachte resultaten.
• Ik benoem beperkingen met hun gevolg voor de interpretatie.
• Ik gebruik voorzichtige formuleringen waar mijn data dat vragen.
• Ik trek geen conclusies over populaties die ik niet heb onderzocht.
• Ik laat aanbevelingen logisch volgen uit mijn bevindingen en beperkingen.

Aanbevolen interne links

(Bouwsysteemmetadata — niet verwijderen)

• Structuur van een kwantitatief resultatenhoofdstuk
• APA-rapportage van t-toets, correlatie en regressie
• Onderzoeksdoel, deelvragen en hypothesen als vertakkende structuur
• Beslisroute voor het kiezen van een statistische toets