日本針對國外職業電競選手核發娛樂類簽證
日本近年來對於線上遊戲對戰之電子競技活動的觀戰人數逐漸上升，而由於職業電競選手在赴日參加比賽時，會因為獎金收入而面臨申請簽證上的困擾，為了能更有效吸引世界一流選手前日本參賽，實有必要對相關行政程序進行修正。
而根據日本權威經財經媒體「日本經濟新聞」之報導，日本法務省將針對以參加線上遊戲比賽賺取獎金為業的電子競技選手，在入境日本以核發「娛樂類簽證」之方式解決前揭問題，同時透過審查國外選手在母國參與電競活動的實際成績，以防止出現利用此漏洞不法滯留日本之問題。
對於法務省此項決定，日本電玩遊戲相關媒體多以「電競選手待遇將比照運動選手」為題進行報導。然而經查日本法務省針對外國人之入境簽證，依其入境之目的區分為高度專門職、教授教育、藝術文化、宗教、採訪、經營、留學等十六種，而職業運動員簽證事實上並非單一獨立類別，而係與歌唱、舞蹈、演奏、電影製作、商業攝影、商業錄音等共通歸類為「娛樂類簽證」之下，因此日本法務省此一作法是否果真代表在簽證核發一事，已將職業電競選手視為職業運動員，尚難有具體結論。
「本文同步刊登於TIPS網站（https://www.tips.org.tw）」
蘇彥彰
法律研究員 編譯整理
法務省、「プロゲーマー」にビザ発行の方針〉，日本経済新聞，http://www.nikkei.com/article/DGXLASDZ28HZO_Q6A330C1EAF000/ （最後瀏覽日：2016/06/17）
〈在留資格認定証明書交付申請書【興行】〉，法務省，http://www.moj.go.jp/content/000103468.pdf （最後瀏覽日：2016/06/17）
美國加州議會於2018年9月7日通過Asilomar人工智慧原則決議（23 Asilomar AI Principles, ACR-215），此決議表達加州對於「23條Asilomar人工智慧原則」之支持，以作為產業或學界發展人工智慧、政府制定人工智慧政策之指標，並提供企業開發人工智慧系統時可遵循之原則。依此法案所建立之重要指標如下： （1）於研究原則上，人工智慧之研究應以建立對於人類有利之人工智慧為目標。 （2）於研究資助上，人工智慧之研究資助應著重幾個方向，如：使人工智慧更加健全且可抵抗外界駭客干擾、使人工智慧促進人類福祉同時保留人類價值以及勞動意義、使法律制度可以順應人工智慧之發展。 （3）於科學政策之連結上，人工智慧研究者與政策擬定者間應有具有建設性且健全之資訊交流。 （4）於研究文化上，人工智慧研究者應保持合作、互信、透明之研究文化。 （5）於安全性上，人工智慧研究團隊應避免為了研究競爭而忽略人工智慧應具備之安全性。 （6）人工智慧系統應該於服務期間內皆具備安全性及可檢視性。 （7）人工智慧系統之編寫，應可使外界於其造成社會損失時檢視其出錯原因。 （8）人工智慧系統如應用於司法判斷上，應提供可供專門人員檢視之合理推論過程。 （9）人工智慧所產生之責任，應由設計者以及建造者負擔。 （10）高等人工智慧內在價值觀之設計上，應符合人類社會之價值觀。 （11）高等人工智慧之設計應可與人類之尊嚴、權利、自由以及文化差異相互調和。 （12）對於人工智慧所使用之資料，其人類所有權人享有擷取、更改以及操作之權利。 （13）人工智慧之應用不該限制人類「客觀事實上」或「主觀知覺上」之自由。 （14）人工智慧之技術應盡力滿足越多人之利益。 （15）人工智慧之經濟利益，應為整體人類所合理共享。 （16）人類對於人工智慧之內在目標應享有最終設定權限。 （17）高等人工智慧所帶來或賦予之權力，對於人類社會之基本價值觀應絕對尊重。 （18）人工智慧所產生之自動化武器之軍備競賽應被禁止。 （19）政策上對於人工智慧外來之發展程度，不應預設立場。 （20）高等人工智慧系統之研發，由於對於人類歷史社會將造成重大影響，應予以絕對慎重考量。 （21）人工智慧之運用上，應衡量其潛在風險以及可以對於社會所帶來之利益。 （22）人工智慧可不斷自我循環改善，而可快速增進運作品質，其安全標準應予以嚴格設定。 （23）對於超人工智慧或強人工智慧，應僅為全體人類福祉而發展、設計，不應僅為符合特定國家、組織而設計。
歐盟發布《個資侵害通知範例指引》說明個資侵害案例解析以利個資事故因應歐洲資料保護委員會（European Data Protection Board, EDPB）於2021年1月18日發布《個資侵害通知範例指引》（Guidelines 01/2021 on Examples regarding Data Breach Notification）草案，並進行為期六週之公眾諮詢。該指引針對2017年10月所發布之《個資侵害通知指引》（Guidelines on Personal data breach notification under Regulation 2016/679）透過案例分析進行補充說明，對於資料控制者如何識別侵害類別以及評估風險提出更詳細的實務建議，協助資料控制者處理資料外洩及風險評估考量因素之認定。 個資侵害係指違反安全性規定而導致傳輸、儲存或以其他方式處理之個資，遭意外或非法破壞、遺失、變更、未獲授權之揭露或近用之情形，由於個資事故將對資料主體可能造成重大不利影響，該指引首先要求資料控制者進行侵害類別之辨識，依據2017年指引將個資侵害分為機密性侵害（confidentiality breach）、完整性侵害（integrity breach）以及可用性侵害（availability breach）。而資料控制者最重要的義務在於主動識別系統漏洞，評估侵害對資料主體權利所產生之風險，制定適當計畫及程序採取適當因應措施，確定侵害事件之問題根因及安全漏洞，加強員工認知培訓及制定操作手冊，並確實記錄各項侵害行為，以提升個資事故因應效率及降低時間延誤。 此外，該指引彙整自GDPR實施以來個資侵害通知具體案例，分為勒索軟體攻擊、資料外洩攻擊、內部人為風險、硬體設備或紙本檔案失竊、誤發郵件以及電子郵件內容外洩，共六大主題十八件案例，針對不同程度風險提供最典型的正確及錯誤作法，並提出資料控制者有關預防潛在攻擊及減輕影響之措施建議。
美國將針對匯流通訊服務下的網路中立概念進行檢視在數位匯流的發展下，設備與服務之應用更為多元化，越來越多電信服務使用者透過電信公司提供的無線網路，來使用網路電話服務，例如Skype、Google Voice等，以達到通話與簡訊收發的目的，也因此造成電信公司通話收益的下滑。為了因應這樣的情況，美國提供行動通話的電信公司，例如AT&T、Verizon等，都採取了若干行動來維護本身的利益，包括長期以遲延此類服務之封包為手段，阻礙網路電話之通訊效益，降低用戶的使用意願；之前AT&T專賣之iPhone手機，也被設定無法安裝Google Voice服務，限制用戶的使用方式，以降低網路電話服務對行動通信業者的衝擊。 有鑑於此類狀況將日漸增加，為了促進多元產業的良性競爭，近日美國聯邦通訊委員會（Federal Communication Commission, FCC）依據「網路中立」（Internet neutrality）的法理原則，針對AT&T的iPhone事件開始展開調查，並且計畫禁止行動通訊公司利用封包延遲的手法，來妨礙網路電話服務的提供，以確立其網路中立的立場。以目前來看，這樣的行動與計畫將嚴重打擊行動通信公司的收益，畢竟行動通信公司以客戶的通話費與簡訊費為其主要獲利來源，但是從另一方面來說，消費者可以透過Skype、Google Voice等網路電話服務，來節省其通話與簡訊費，因此FCC此項計畫獲得消費者團體的支持。FCC的計畫預計將引領未來數位匯流發展一個初步的方向，而FCC擬於十月會議中提出相關的規則草案，確定的規則公告預計會在明年春天發布。
英國期望透過資料使用與近用法案修正案，強化數位證據資料之可信任性英國於2024年11月提出資料使用與近用法案（Data (Use and Access) Bill）修正案，其修正內容包含強化數位證據資料之可信任性。 根據英國數十年來的法院判決，可以觀察到英國法院信任電腦自動產出的資料，因此除非當事人提出反證，否則將推定電腦證據是可信賴的。然而，該見解導致英國爭議案件「郵局Horizon系統出錯案」的發生，亦促使資料使用與近用法案修正案的提出。 資料使用與近用法案修正案於第132條新增與數位證據相關的條款，同條第1項規定由電腦、裝置或電腦系統產生的數位證據，符合下列規定者，於訴訟程序中可以作為證據。 a、 數位證據以及產生數位證據或衍生數位證據之系統之可信任性未受質疑。 b、 法院確信無法合理地挑戰系統之可信任性。 c、 法院確信數位證據源自可信任的系統。 此外，同條第4項規定第1項第c款所指之可信任的系統，應包括適用於系統運作的任何指示或規則，以及為確保系統中保存的資料的完整性而採取的任何措施。 綜上所述，英國逐漸扭轉過去英國法院認為由電腦自動產生的資料具有可信任性之見解，並透過資料使用與近用法案修正案修正對於數位證據的認定，未來在涉及數位證據的案件中，檢辯雙方需要證明作為數位證據的資料完整性具有可信任性。 我國企業如欲強化數位資料的可信任性，可參考資訊工業策進會科技法律研究所創意智財中心所發布之重要數位資料治理暨管理制度規範（EDGS），建立並落實數位資料管理流程，除可確保數位資料的完整性及正確性具有可信任性，亦可提升法院採納數位資料作為證據之可能性。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw） .Pindent{text-indent: 2em;} .Noindent{margin-left: 2em;} .NoPindent{text-indent: 2em; margin-left: 2em;} .No2indent{margin-left: 3em;} .No2Pindent{text-indent: 2em; margin-left: 3em} .No3indent{margin-left: 4em;} .No3Pindent{text-indent: 2em; margin-left: 4em}