Cet article propose un cadre d'agrégation probabiliste basé sur la logique des probabilités propositionnelles. Contrairement aux approches d'agrégation de jugements existantes qui se concentrent sur la rationalité statique, ce modèle aborde la rationalité dynamique en garantissant que les croyances collectives sont constamment mises à jour en réponse à de nouvelles informations. Nous montrons que toutes les règles d'agrégation consensuelles et indépendantes pour des agendas non chevauchants sont linéaires. De plus, nous présentons des conditions suffisantes pour un processus d'apprentissage équitable, où les individus s'accordent initialement sur un sous-ensemble de propositions, appelé terrain d'entente, et où les nouvelles informations sont contraintes à ce terrain d'entente. Cela garantit que les mises à jour des jugements individuels via la conditionnalisation bayésienne génèrent des croyances collectives identiques, qu'elles soient effectuées avant ou après l'agrégation. Une caractéristique clé de ce cadre est sa capacité à gérer la prise de décision séquentielle, permettant l'intégration progressive de nouvelles informations à travers plusieurs étapes tout en préservant le terrain d'entente établi. Nous illustrons nos résultats par des exemples tirés de scénarios politiques concernant les politiques de santé et d'immigration.
