Resultatenhoofdstuk schrijven bij kwantitatief onderzoek

Je hebt je data eindelijk geanalyseerd, maar je SPSS-, Jamovi-, R- of Excel-output lijkt meer op een stortplaats dan op een hoofdstuk. Je weet ongeveer welke toets significant is, maar niet of je eerst de gemiddelden moet noemen, waar de tabel komt, hoeveel decimalen normaal zijn en wanneer je mag uitleggen wat de uitkomst betekent. Voor studenten aan Nederlandse en Vlaamse universiteiten is dit vaak het moment waarop de scriptie of bachelorproef stroef wordt: je hebt resultaten, maar nog geen verhaal. Resultatenhoofdstuk schrijven betekent niet dat je alle output kopieert. Je selecteert, ordent en rapporteert je bevindingen zo dat een lezer stap voor stap ziet welk antwoord je data geven op je deelvragen of hypothesen.

Een kwantitatief resultatenhoofdstuk rapporteert eerst wat je hebt gemeten en bij wie, daarna wat de data laten zien, en pas in de discussie wat dat betekent. De beste volgorde is meestal: steekproef, datacontrole, beschrijvende statistiek, toetsresultaten per hypothese of deelvraag, en een korte neutrale tussenconclusie. Tabellen en figuren gebruik je alleen wanneer ze de tekst compacter, controleerbaarder of duidelijker maken.

In this guide

• Hoe begin je met resultatenhoofdstuk schrijven?
• Hoe ziet de resultaten scriptie opbouw eruit bij kwantitatief onderzoek?
• Hoe kun je kwantitatieve resultaten rapporteren zonder discussie te schrijven?
• Welke tabellen en figuren horen in een resultatensectie?
• In welke volgorde rapporteer je beschrijvende statistiek, toetsen en hypothesen?
• Wat is het verschil tussen resultaten versus discussie?
• Welke fouten maken studenten vaak bij het schrijven van een resultatenhoofdstuk?
• Hoe werken resultatensecties in verschillende disciplines?
• Hoe controleer je of je resultatensectie klaar is voor de discussie?

Hoe begin je met resultatenhoofdstuk schrijven?

Begin niet bij je software-output, maar bij je onderzoeksvragen, deelvragen of hypothesen. Een resultatenhoofdstuk is geen logboek van analyses; het is een geordende rapportage van bevindingen die antwoord geven op je empirische vragen. Zet daarom eerst per deelvraag vast welke variabelen, toetsen, tabellen en tekstzinnen nodig zijn.

Start met de analysekaart

Maak vóór het schrijven een analysekaart: een eenvoudige koppeling tussen vraag, variabelen, analyse en rapportagevorm. Dit voorkomt dat je een significant resultaat uitgebreid beschrijft terwijl het niet bij je onderzoeksvraag hoort. Als je variabelen nog vaag zijn, helpt het om terug te gaan naar hoe je ze hebt geoperationaliseerd; bij twijfel kun je je meetniveau en indicatoren controleren via Van abstracte variabele naar meetbare indicator.

Een analysekaart kan er zo uitzien:

Onderdeel	Zwakke voorbereiding	Sterkere voorbereiding
Deelvraag	“Heeft stress invloed?”	“Is er een verband tussen ervaren stressscore en slaapkwaliteitsscore bij eerstejaarsstudenten?”
Variabelen	“Stress en slaap”	“PSS-10 totaalscore; PSQI totaalscore”
Analyse	“Correlatie of regressie?”	“Pearsoncorrelatie na controle van lineariteit en uitschieters”
Rapportage	“Tabel met alles”	“Gemiddelden en SD’s in tabel; correlatie in tekst met r, p en 95%-BI indien vereist”

Schrijf eerst de volgorde, daarna de zinnen

Veel studenten proberen meteen nette alinea’s te formuleren. Dat werkt pas goed als de volgorde klopt. Schrijf daarom eerst een ruwe structuur met kopjes als “Steekproef”, “Beschrijvende statistiek”, “Hypothese 1” en “Hypothese 2”. Daarna vul je per kopje alleen de cijfers in die nodig zijn.

Een praktisch proces:

1. Zet alle deelvragen of hypothesen onder elkaar.
2. Noteer per vraag de afhankelijke en onafhankelijke variabele.
3. Kies per vraag de juiste toets en controleer of je keuze past bij het meetniveau.
4. Bepaal of de uitkomst beter in tekst, tabel of figuur past.
5. Schrijf per resultaat één neutrale kernzin.
6. Controleer of elke tabel in de tekst wordt genoemd.

Als de toetskeuze nog onzeker is, voorkom dan giswerk. De beslislogica achter t-toets, ANOVA, correlatie en regressie kun je ordenen met Beslisroute voor het kiezen van een statistische toets.

Hoe ziet de resultaten scriptie opbouw eruit bij kwantitatief onderzoek?

De meest gebruikte resultaten scriptie opbouw bij kwantitatief onderzoek begint met steekproefkenmerken en datacontrole, gaat daarna naar beschrijvende statistiek, en eindigt met inferentiële analyses per deelvraag of hypothese. Je lezer moet eerst begrijpen welke data zijn geanalyseerd voordat toetswaarden betekenis krijgen. Afwijken mag, maar alleen als je onderzoeksvraag daardoor duidelijker wordt.

Een standaardstructuur die vaak werkt

Voor een bachelorproef, scriptie of masterpaper is deze opbouw meestal veilig:

1. Steekproefbeschrijving — wie of wat zit in de dataset?
2. Datavoorbereiding — ontbrekende waarden, uitschieters, schaalconstructie of betrouwbaarheid.
3. Beschrijvende statistiek — gemiddelden, standaarddeviaties, frequenties of percentages.
4. Resultaten per deelvraag of hypothese — toetsstatistieken, p-waarden, betrouwbaarheidsintervallen en effectgroottes.
5. Neutrale samenvatting van bevindingen — geen verklaring, wel antwoordrichting.

Beschrijvende statistiek betekent: cijfers die je dataset samenvatten zonder een hypothese te toetsen. Denk aan gemiddelde leeftijd, spreiding in tevredenheidsscores of het percentage respondenten per conditie. Voor wat je wel en niet rapporteert, sluit Beschrijvende statistiek als overzicht van centrum en spreiding goed aan.

Wanneer je per hypothese ordent

Bij hypothesetoetsend onderzoek is ordenen per hypothese vaak het duidelijkst. Een psychologiepaper over stress en slaap kan bijvoorbeeld eerst H1 rapporteren: “Er is een negatief verband tussen stress en slaapkwaliteit.” Daarna volgt H2: “Stress voorspelt slaapkwaliteit ook na controle voor schermtijd.” Zo ziet de lezer per verwachting welke analyse erbij hoort.

Bij onderzoek met meerdere afhankelijke variabelen kan ordening per uitkomst logischer zijn. In een gezondheidswetenschappelijke studie naar medicatietrouw bij oudere patiënten na ontslag naar thuiszorg kun je eerst alle resultaten over medicatietrouw rapporteren, daarna ziekenhuisheropname en daarna zelfgerapporteerde bijwerkingen. De structuur volgt dan de uitkomstmaten, niet de volgorde waarin jij analyses hebt uitgevoerd.

Hoe kun je kwantitatieve resultaten rapporteren zonder discussie te schrijven?

Kwantitatieve resultaten rapporteren doe je door te beschrijven wat de analyse laat zien, niet waarom dat zo is of wat de bredere betekenis is. De resultatensectie geeft antwoord op “wat is gevonden?”; de discussie geeft antwoord op “hoe moeten we dit begrijpen?”. Houd verklaringen, theorievergelijking, beperkingen en aanbevelingen dus buiten dit hoofdstuk.

De neutrale rapportagezin

Een goede resultatenzin bevat meestal vier elementen: richting, omvang, toetsinformatie en beslisregel. Bijvoorbeeld: “Er was een matig negatief verband tussen ervaren stress en slaapkwaliteit, r = -.42, p = .003.” Deze zin zegt wat de data laten zien zonder alvast te verklaren dat stress “dus” slechter slapen veroorzaakt.

Vergelijk deze twee versies:

Zwakke studentversie	Sterkere herschrijving
“De correlatie is significant, dus stress zorgt ervoor dat studenten slechter slapen doordat ze veel piekeren over hun studie.”	“Er was een significant negatief verband tussen ervaren stress en slaapkwaliteit, r = -.42, p = .003; hogere stressscores hingen samen met lagere slaapkwaliteitsscores.”
“De interventie werkte goed, want de experimentele groep had een beter gemiddelde.”	“De experimentele groep scoorde gemiddeld hoger op kennistoetsen dan de controlegroep, M = 7.4 versus M = 6.8, t(84) = 2.31, p = .023.”

Wat je wel en niet uitlegt

Je mag in het resultatenhoofdstuk kort aangeven of een hypothese wordt ondersteund. Schrijf bijvoorbeeld: “Deze bevinding ondersteunt H1.” Ga daarna niet uitleggen waarom dat zo zou kunnen zijn. Die verklaring hoort in je discussie, waar je terugkoppelt naar literatuur, theoretisch kader en beperkingen.

Ook causaliteit vraagt voorzichtigheid. Als je een cross-sectionele vragenlijst hebt gebruikt, schrijf dan niet dat werkdruk burn-out “veroorzaakt”, zelfs niet als regressie significant is. Schrijf liever dat hogere werkdruk “samenhangt met” of “een hogere burn-outscore voorspelt binnen dit model”.

Welke tabellen en figuren horen in een resultatensectie?

Tabellen en figuren horen in je resultatensectie wanneer ze meer duidelijkheid geven dan tekst alleen. Een tabel is handig voor exacte waarden en meerdere variabelen; een figuur is handig voor patronen, verschillen of trends. Plaats geen tabel met cijfers die je niet bespreekt.

Kies tabel, figuur of tekst

Gebruik tekst voor één eenvoudig resultaat, een tabel voor meerdere vergelijkbare cijfers en een figuur voor visuele patronen. Een t-toets met twee gemiddelden kan vaak in tekst. Een regressiemodel met meerdere voorspellers hoort meestal in een tabel. Een interactie-effect is vaak beter zichtbaar in een figuur dan in een zin met gemiddelden.

Een realistischer resultatensectie voorbeeld:

Zwak: “Zie tabel 3 voor de resultaten. De meeste variabelen zijn significant.”

Sterker: “Zoals tabel 3 laat zien, voorspelde werkdruk een hogere burn-outscore, β = .36, p < .001, terwijl sociale steun een lagere burn-outscore voorspelde, β = -.28, p = .004. Leeftijd was geen significante voorspeller, β = .07, p = .421.”

De sterkere versie vertelt de lezer welke waarden ertoe doen. De tabel blijft controleerbaar, maar de tekst doet het denkwerk.

Maak tabellen niet groter dan je argument

Een tabel hoeft niet alle output uit je analyseprogramma te bevatten. Neem alleen kolommen op die jouw opleiding, beoordelingsformulier of stijlrichtlijn vraagt: bijvoorbeeld M, SD, n, toetsstatistiek, vrijheidsgraden, p-waarde, betrouwbaarheidsinterval en effectgrootte. In APA-stijl worden exacte p-waarden vaak gerapporteerd, behalve bij zeer kleine waarden zoals p < .001.

Bij een t-toets, correlatie of regressie kun je de rapportagevorm vergelijken met APA-rapportage van t-toets, correlatie en regressie. Let wel op de richtlijnen van je eigen opleiding: sommige Vlaamse bachelorproeven vragen iets andere tabeltitels of nummering dan Nederlandse scripties.

In welke volgorde rapporteer je beschrijvende statistiek, toetsen en hypothesen?

Rapporteer eerst beschrijvende statistiek, daarna de toetsresultaten, en koppel vervolgens kort terug naar de hypothese of deelvraag. Die volgorde geeft je lezer context: een significant verschil is beter te begrijpen als de gemiddelden en spreiding al bekend zijn. Bij meerdere hypothesen herhaal je deze volgorde per hypothese of per uitkomstmaat.

Eerst context, dan toets

Stel dat je onderzoekt of een lesmethode invloed heeft op toetsscores. Begin niet met “De t-toets was significant.” Begin met de gemiddelden: “Studenten in de actieve leerconditie behaalden gemiddeld een hogere score (M = 7.4, SD = 1.1) dan studenten in de hoorcollegeconditie (M = 6.8, SD = 1.3).” Daarna volgt de toets: “Dit verschil was significant, t(84) = 2.31, p = .023, d = 0.50.”

Die volgorde werkt ook bij onderwijswetenschappen. In een bachelorproef over formatieve feedback in het eerste jaar van een lerarenopleiding kun je eerst het gemiddelde feedbackgebruik per groep tonen, daarna de toets op verschil, en pas in de discussie bespreken of de uitkomst past bij zelfregulatietheorie.

Herhaal een vast patroon

Een betrouwbaar patroon per hypothese voorkomt dat je hoofdstuk rommelig wordt:

1. Herinner kort aan de hypothese of deelvraag.
2. Geef de relevante beschrijvende cijfers.
3. Rapporteer de toets met toetsstatistiek, vrijheidsgraden, p-waarde en effectgrootte indien passend.
4. Benoem de richting van het resultaat in gewone taal.
5. Sluit af met een neutrale uitspraak over ondersteuning of beantwoording.

Bij regressie voeg je modelinformatie toe, zoals R², F-waarde en de bijdrage van afzonderlijke voorspellers. Bij chi-kwadraattoetsen rapporteer je frequenties of percentages vóór de toets, omdat de lezer anders niet ziet welke categorieën het verschil bepalen.

Wat is het verschil tussen resultaten versus discussie?

Het verschil tussen resultaten versus discussie is dat resultaten beschrijven wat je hebt gevonden, terwijl de discussie uitlegt wat de bevindingen betekenen. In de resultaten staan cijfers, patronen en toetsuitkomsten. In de discussie staan interpretatie, koppeling aan literatuur, beperkingen, implicaties en aanbevelingen.

De grens in één tabel

De grens voelt soms kunstmatig, vooral als je precies ziet waarom een uitkomst interessant is. Toch helpt de scheiding je beoordeling: examinatoren willen kunnen controleren of je data correct rapporteert voordat je er conclusies aan verbindt.

Onderdeel	Hoort in resultaten	Hoort in discussie
Significant verschil	“Groep A scoorde hoger dan groep B, t(62) = 2.45, p = .017.”	“Dit verschil kan samenhangen met de intensievere begeleiding in groep A.”
Niet-significant resultaat	“Het verschil in tevredenheid was niet significant, p = .284.”	“De kleine steekproef kan de kans op het vinden van een effect hebben beperkt.”
Literatuurkoppeling	Niet opnemen, behalve als tabelstructuur context vereist.	“Deze bevinding sluit aan bij eerder onderzoek naar autonomieondersteuning.”
Aanbeveling	Niet opnemen.	“Vervolgonderzoek kan de interventie over een langere periode testen.”

Significante resultaten zijn niet automatisch belangrijk

Een p-waarde zegt niet hoe groot of praktisch relevant een effect is. Bij grote steekproeven kunnen kleine effecten significant worden. Bij kleine steekproeven kunnen betekenisvolle patronen niet-significant blijven. Daarom rapporteren veel opleidingen naast p-waarden ook effectgroottes en betrouwbaarheidsintervallen.

Bij managementonderzoek kan dit verschil duidelijk zijn. Stel dat een masterstudent onderzoekt of thuiswerkdagen samenhangen met werknemerstevredenheid. Een regressiecoëfficiënt kan significant zijn, maar als de verklaarde variantie laag is, moet je in de discussie voorzichtig zijn met praktische aanbevelingen voor HR-beleid.

Welke fouten maken studenten vaak bij het schrijven van een resultatenhoofdstuk?

Studenten maken vooral fouten wanneer ze output kopiëren, interpretatie te vroeg toevoegen of de volgorde niet koppelen aan hun deelvragen. Een fout resultaat is niet altijd statistisch fout; vaak is het rapportageprobleem dat de lezer niet ziet waarom een cijfer daar staat. Corrigeer dus niet alleen zinnen, maar ook selectie en structuur.

Veelvoorkomende fouten met correctie

1. Outputdump zonder selectie
   Studentvoorbeeld: “Tabel 1 tot en met 8 bevatten alle SPSS-resultaten, inclusief Levene’s test, descriptives, model summary en coefficients.”
   Correctie: neem alleen resultaten op die nodig zijn voor je deelvraag. Levene’s test kun je kort noemen als assumptiecontrole, maar niet als hoofdbevinding presenteren.

2. Causaliteit claimen bij correlationeel onderzoek
   Studentvoorbeeld: “Sociale steun vermindert stress bij studenten, r = -.38, p = .006.”
   Correctie: schrijf “Sociale steun hing negatief samen met stress.” Alleen een experimenteel ontwerp kan sterker richting causaliteit onderbouwen.

3. Alleen significantie noemen
   Studentvoorbeeld: “De relatie tussen motivatie en cijfers was significant.”
   Correctie: rapporteer richting en omvang: “Motivatie hing positief samen met cijfers, r = .31, p = .018.” Voeg effectgrootte of interval toe als je richtlijn dat vraagt.

4. Resultaten en discussie mengen
   Studentvoorbeeld: “De interventie was niet significant, waarschijnlijk omdat studenten weinig tijd hadden tijdens de tentamenweek.”
   Correctie: zet in resultaten alleen: “Het verschil was niet significant.” Bespreek mogelijke verklaringen later bij beperkingen of interpretatie.

5. Tabellen niet in tekst verwerken
   Studentvoorbeeld: “De resultaten staan in tabel 2.”
   Correctie: verwijs naar de tabel én benoem de kern: “Tabel 2 laat zien dat de experimentele groep gemiddeld hoger scoorde dan de controlegroep.”

Een fout is vaak een ordeningsprobleem

Als je merkt dat je steeds schrijft “ook nog”, “daarnaast” en “verder blijkt”, is je hoofdstuk waarschijnlijk niet op deelvragen geordend. Ga terug naar je schrijfplan en controleer of elk resultaat een functie heeft. Voor bredere hoofdstukstructuur kan Blokhiërarchie voor de structuur van een academische paper helpen om hoofd- en subonderdelen van elkaar te scheiden.

Hoe werken resultatensecties in verschillende disciplines?

Resultatensecties volgen overal dezelfde basislogica, maar disciplines leggen andere accenten. Psychologie gebruikt vaak correlaties, regressies en schaalbetrouwbaarheid; gezondheidswetenschappen letten sterk op steekproefkenmerken en klinische relevantie; onderwijs en management vragen vaak om duidelijke koppeling tussen groepen, interventies of organisatiefactoren. Pas je rapportage dus aan de conventies van je opleiding aan.

Sociale wetenschappen en psychologie

In een psychologiestudie naar stress, slaapkwaliteit en studieprestaties begint de resultatensectie vaak met betrouwbaarheid van schalen, gemiddelden en correlaties. Daarna volgen regressies of mediatiemodellen, afhankelijk van de onderzoeksvraag. Je rapporteert bijvoorbeeld eerst Cronbach’s alpha voor een schaal, maar alleen als schaalconstructie relevant is voor je methode en resultaten.

Een nette alinea kan zijn: “De stressschaal had een aanvaardbare interne consistentie, α = .82. Stress hing negatief samen met slaapkwaliteit, r = -.42, p = .003, en met studieprestaties, r = -.29, p = .031.” De discussie gaat daarna pas in op mogelijke mechanismen, zoals piekeren of tijdsdruk.

Gezondheidswetenschappen en verpleegkunde

In een verpleegkundig onderzoek naar medicatietrouw bij oudere patiënten na ontslag naar thuiszorg zijn steekproefkenmerken vaak inhoudelijk belangrijk. Leeftijd, aantal medicijnen, woonsituatie en aanwezigheid van mantelzorg kunnen relevant zijn voor interpretatie, maar in de resultaten rapporteer je ze eerst neutraal.

Een resultatenparagraaf kan beginnen met: “Van de 118 deelnemers woonde 62% zelfstandig en gebruikte 47% vijf of meer voorgeschreven medicijnen.” Daarna volgt bijvoorbeeld een logistische regressie waarin medicatietrouw wordt voorspeld door aantal medicijnen en mantelzorg. De discussie bespreekt pas wat dit betekent voor nazorg of verpleegkundige begeleiding.

Onderwijs, business en management

In onderwijsonderzoek naar formatieve feedback ligt de nadruk vaak op groepsverschillen of verandering over tijd. Je rapporteert dan gemiddelden per meetmoment, gevolgd door een toets voor verschil of interactie. In businessonderzoek naar thuiswerken en tevredenheid kunnen regressietabellen juist centraal staan, omdat meerdere voorspellers tegelijk worden onderzocht.

Voor rechtenstudenten die empirisch onderzoek doen, bijvoorbeeld naar percepties van procedurele rechtvaardigheid onder burgers, geldt dezelfde basis: eerst beschrijven wie deelnam, daarna schaalconstructie en pas daarna toetsing van verschillen tussen groepen. Ook in juridisch-empirische papers blijft de resultatenparagraaf gescheiden van normatieve argumentatie.

Hoe controleer je of je resultatensectie klaar is voor de discussie?

Je resultatensectie is klaar voor de discussie wanneer elke deelvraag of hypothese zichtbaar is beantwoord, elke tabel in de tekst wordt gebruikt en interpretaties zijn doorgeschoven naar het volgende hoofdstuk. Controleer ook of je rapportage consistent is: dezelfde decimalen, dezelfde volgorde van variabelen en dezelfde termen als in je methodehoofdstuk. Een laatste check voorkomt dat je discussie op losse cijfers komt te rusten.

Redigeer op lezerlogica

Lees je hoofdstuk alsof je de dataset niet kent. Kan de lezer zien welke analyse bij welke vraag hoort? Staat er genoeg context vóór de toets? Worden niet-significante resultaten net zo eerlijk gerapporteerd als significante resultaten? Een goede resultatensectie verbergt geen uitkomsten, maar maakt ook geen bijzaak tot hoofdzaak.

Controleer ook of je methode en resultaten op elkaar aansluiten. Als je in je methode schrijft dat je een lineaire regressie uitvoert, moet je resultaat niet ineens alleen een correlatie rapporteren. Als je vragenlijstschalen hebt samengevoegd, moet duidelijk zijn welke totaalscore je gebruikt.

Before you move on: checklist voor je resultatenhoofdstuk

• Elke deelvraag of hypothese komt terug in dezelfde of een logische volgorde.
• De steekproef is kort en feitelijk beschreven.
• Beschrijvende statistiek staat vóór inferentiële toetsen.
• Elke tabel of figuur wordt in de tekst genoemd en kort uitgelegd.
• Je rapporteert richting, toetsstatistiek, p-waarde en waar passend effectgrootte.
• Je gebruikt geen causale taal bij correlationeel of cross-sectioneel onderzoek.
• Verklaringen, literatuurvergelijkingen en aanbevelingen staan niet in de resultaten.
• Niet-significante resultaten worden ook vermeld als ze bij je vraag horen.
• Decimalen, termen en variabelenamen zijn consequent.
• De opbouw past bij de richtlijnen van je opleiding of beoordelingsformulier.

Aanbevolen interne links

(Metadata voor het buildsysteem — dit onderdeel niet verwijderen)

• Van abstracte variabele naar meetbare indicator
• Beslisroute voor het kiezen van een statistische toets
• Beschrijvende statistiek als overzicht van centrum en spreiding
• APA-rapportage van t-toets, correlatie en regressie