申し訳ありませんが、私は情報のリアルタイム更新ができないため、論文の現在の状況を把握することはできません。論文のオープンソースのデータやソースコードに関する情報を得るには、論文自体や関連するリソースを参照することをおすすめします。また、論文の著者に直接お問い合わせいただくこともできます。
ただし、興味度判定に関して言及すると、マルチモーダル情報を統合する手法が興味判定に効果的であることが示されています。この手法は、テキスト以外の情報（例：音声、画像）を活用することで、対話の文脈やユーザーの感情をより正確に理解し、興味度を推定することが可能です。
ただし、興味度判定に関しては以下の点について注意が必要です。
1. データの品質と多様性：興味度判定モデルの訓練に使用されるデータは、多様でバランスの取れたものであることが望ましいです。特定の主題やグループに偏りがあると、モデルのパフォーマンスや一般化能力が低下する可能性があります。
2. ユーザーの主観性：興味は主観的なものであり、個々のユーザーによって異なる場合があります。興味度判定モデルは、一部のユーザーのみに特化した結果を出す可能性があるため、個別のユーザーの興味を正確に推定することは困難です。
3. エスカレーションと関心の経時変化：対話の中でユーザーの興味は時間とともに変化する場合があります。興味度判定モデルは、この変化を捉えることができるように設計する必要があります。
以上の点を考慮して、興味度判定モデルを評価し、改良することが重要です。加えて、MPなどのメタ認知プロンプトを使用して、ユーザーに興味判定の信頼性や限界について明示することも有益です。これにより、ユーザーはモデルの出力を適切に評価し、必要に応じて補完することができます。