何謂「國家科學技術發展計畫」?
「國家科學技術發展計畫」為政府考量國家發展方向、社會需求情形以及區域均衡發展，而擬定之國家科學技術政策與推動科學技術研究發展之依據。依照《科學技術基本法》第10條之規定，國家科學技術發展計畫之訂定，應參酌中央研究院、科學技術研究部門、產業部門及相關社會團體之意見，並經全國科學技術會議討論後，由行政院核定。
全國科學技術會議每四年召開一次，最近一次會議為2013年的「第九次全國科技會議」，該次會議通過了民國102-105年的「國家科學技術發展計畫」，針對我國科技發展提出7項目標、27項策略及58項重要措施。7項目標包括：提升臺灣的學研地位、做好臺灣的智財布局、推動臺灣永續發展、銜接上游學研與下游產業、推動由上而下的科技計畫、提升臺灣科技產業創新動能、解決臺灣的科技人才危機等。
本文為「經濟部產業技術司科技專案成果」
謝孟珊
資深法律研究員 編譯整理
日本政府一直希望能透過改革司法制度，用以解決日本日益增加的跨國民事、智財爭議、消費爭議等案件，故從今（2019）年4月起，日本內閣官房聯合日本最高法院、法務省、外務省等相關單位，積極針對現行的司法制度進行檢討。日本政府期盼透過這次的司法改革，能降低訴訟成本、加速解決爭議案件。 日本內閣官房，於12月9日發表了第九次民事司法制度改革推進會議的決議，這次的會議針對日本現行的民事訴訟程序制度提出了制度改革大綱與具體的改革建議，如日本現行的民事裁判應進行全面IT化，並希望擴充非訟事件的類型。 在這次的會議中，有三個主要的重點：首先在民事裁判上，將增加訴訟代理人律師有提出電子化訴訟文件之義務，民事訴訟法修法通過後，要求訴訟代理人應線上提出訴訟相關文件，未來也會進一步要求本人自訴的案件，自訴者也負有與訴訟代理人同等之義務。 再者在智慧財產爭議案件上，日本政府正在評估是否導入「二階段訴訟制度」。未來在專利權是否侵權的判斷上，會將侵權與否的判斷與損害賠償的裁量拆分為兩階段，且未來在判斷與裁量上，希望法院能採用第三方的專家學者意見做為判斷的依據。 最後，為因應近年的國際化社會，日本新設了「日本國際紛爭解決中心」，希望能強化現行商業爭議案件的裁判程序。另外擴充了現行「國民生活中心」裡「越境消費者中心CCJ」的功能，除了針對跨境消費者外，更提供了在日外國人多國語言的諮詢管道。綜上所述，未來將會修正日本現行的民事訴訟法、專利法等相關法規，司法制度改革細節預計於2020年3月做出最終決議。 「本文同步刊登於TIPS網站（https://www.tips.org.tw）」。
世界衛生組織發布人工智慧於健康領域之監管考量因素文件，期能協助各國有效監管健康領域之人工智慧世界衛生組織（World Health Organization, WHO）於2023年10月19日發布「人工智慧於健康領域之監管考量因素」（Regulatory considerations on artificial intelligence for health）文件，旨在協助各國有效監管健康領域之人工智慧，發揮其潛力同時最大限度地降低風險。本文件以下列六個領域概述健康人工智慧之監管考量因素： （1）文件化與透明度（Documentation and transparency） 開發者應預先規範（pre-specifying）以及明確記錄人工智慧系統（以下簡稱AI系統）之預期醫療目的與開發過程，如AI系統所欲解決之問題，以及資料集之選擇與利用、參考標準、參數、指標、於各開發階段與原始計畫之偏離及更新等事項，並建議以基於風險之方法（Risk-based approach），根據重要性之比例決定文件化之程度、以及AI系統之開發與確效紀錄之保持。 （2）風險管理與AI系統開發生命週期方法（Risk management and AI systems development lifecycle approaches） 開發者應在AI系統生命之所有階段，考慮整體產品生命週期方法（total product lifecycle approach），包括上市前開發管理、上市後監督與變更管理。此外，須考慮採用風險管理方法（risk management approach）來解決與AI系統相關之風險，如網路安全威脅與漏洞（vulnerabilities）、擬合不足（underfitting）、演算法偏差等。 （3）預期用途、分析及臨床確效（Intended use, and analytical and clinical validation） 開發者應考慮提供AI系統預期用途之透明化紀錄，將用於建構AI系統之訓練資料集組成（training dataset composition）之詳細資訊（包括大小、設定與族群、輸入與輸出資料及人口組成等）提供給使用者。此外，可考慮透過一獨立資料集（independent dataset）之外部分析確效（external analytical validation），展示訓練與測試資料以外之效能，並考慮將風險作為臨床確效之分級要求。最後，於AI系統之上市後監督與市場監督階段，可考慮進行一段期間密集之部署後監督（post-deployment monitoring）。 （4）資料品質（Data quality） 開發者應確認可用資料（available data）之品質，是否已足以支援AI系統之開發，且開發者應對AI系統進行嚴格之預發布評估（pre-release evaluations），以確保其不會放大訓練資料、演算法或系統設計其他元素中之偏差與錯誤等問題，且利害關係人還應考慮減輕與健康照護資料有關之品質問題與風險，並繼續努力創建資料生態系統，以促進優質資料來源之共享。 （5）隱私與資料保護（Privacy and data protection） 開發者於AI系統之設計與部署過程中，應考慮隱私與資料保護問題，並留意不同法規之適用範圍及差異，且於開發過程之早期，開發者即應充分瞭解適用之資料保護法規與隱私法規，並應確保開發過程符合或超過相關法規要求。 （6）參與及協作（Engagement and collaboration） 開發者於制定人工智慧創新與部署路線圖之期間，需考慮開發可近用且具有充足資訊之平台，以於適合與適當情況下促進利害關係人間之參與及協作；為加速人工智慧領域實務作法之進化，透過參與及協作來簡化人工智慧監管之監督流程即有必要。
淺談日本地方政府立法規範基改作物種植之趨勢 美國行動健康照護新近法制趨勢─兼論對我國法之觀察與建議